时间:2023-08-25 09:11:20
引言:寻求写作上的突破?我们特意为您精选了12篇量化投资步骤范文,希望这些范文能够成为您写作时的参考,帮助您的文章更加丰富和深入。
北京时间2013年8月16日11点05分31秒到05分56秒的短短26秒里,中国石化和工商银行两大权重龙头先后涨停。之后多只权重股迅速跟进大幅拉升;根据事后调查结果,造成这一事件的光大乌龙交易以70亿的成交量,却造成了日均交易量在2000亿以上的A股市场的大盘指数瞬时上涨超过5%的涨幅,这让貌似遥远的量化交易突然出现在国内投资者的面前,很多普通投资者这才发现自己同量化交易战斗已经很久了。如何获得一个拥有高速精准的数据、高性能程式交易以及高度的开放性和前瞻性等特点的专业的交易平台,这正是本文尝试解决的问题。
一、如何选择国内现有平台
目前的量化交易平台可以从开发语言、技术架构、系统架构、策略方向、交易方式等几个方面,分为中低端和高端量化交易平台。
(一)中低端量化交易平台
中低端平台只支持复杂度不高的脚本语言实现策略逻辑,多数的实现只能在图表上加载技术指标进行自动化交易、程序化交易等量化交易方式。它一般采用的技术架构是投资者使用平台商提供的客户端软件,采用互联网接入方式连接平台商或者金融经纪公司提供的行情和基础数据服务器,投资者在本地运行的策略触发后,通过经纪公司的普通交易席位进行交易。国内应用的中低端量化交易平台主要有文华赢智程序化交易、交易开拓者、金字塔决策交易系统等。
(二)高端量化交易平台
高端量化平台除了支持复杂脚本语言实现策略逻辑外,均支持直接使用C++、JAVA等开发语言实现复杂的策略逻辑,采用多进程、多线程方式进行自动化交易、程序化交易、算法交易。行情和交易的延时都要求尽可能最低。它适合机构投资者进行趋势、套利、对冲、高频等对行情和交易要求高、逻辑复杂度高的策略。国内主流的高端量化交易平台主要有龙软DTS、国泰安量化投资平台、天软量化平台等。
总的来说,中低端平台适合投资者进行趋势、反趋势等对行情和交易逻辑要求不高的策略,高端交易平台适合机构投资者进行趋势、套利、对冲、高频等对行情和交易要求高、逻辑复杂度高的策略。同时不同的平台费用也不同,投资者必须根据自己的交易要求和费用承担能力来选择最适合自己的量化交易平台。
二、自己打造量化交易系统。
由于MATLAB、R语言这些新一代面向对象、功能强大的语言的出现,获取免费证券和期货的数据并不难,同时出于交易保密的要求,再加上使用功能强大的现有平台费用很高,越来越多的个人和中小机构选择自己或委托别人开发自己的量化交易系统。
(一)语言选择
很多大的机构都有自己软件团队开发量化交易平台,大多选择C语言、C++、JAVA等开发语言,有的甚至使用机器语言,但MATLAB、R语言逐渐成为主流的开发语言。
1.MATLAB简介:MATLAB的是美国MathWorks公司出品的商业数学软件,用于算法开发、数据分析以及数值计算,主要包括MATLAB和Simulink两大部分。其优势在于:用户可以利用MATLAB进行:(1)交易策略实现和回测、投资组合优化和分析。(2)资产分配、金融时序分析、期权价格和敏感度分析、现金流分析。(3)风险管理、预测和模拟、利率曲线拟合和期限结构建模。(4)Monte Carlo模拟、基于GARCH的波动性分析等
2.R语言:R语言是一个高效率的实验平台:通过R语言可以很高效的实现前沿paper的模型方法,同时R语言又提供与C,C++等传统语言工具的量化结合,作为免费开源的数据处理语言,至少几百名世界知名统计学家在算法上的支持,至少几百名世界顶尖的Fortran,C,C++数学库编程高手在代码上的支持,大数据计算平台的运算支撑,开放金融数据资源的免费接入,前沿期刊与代码工具的协同
(二)量化投资重要支撑:IT系统
一个高水准的量化交易系统,必须实现以下的4种功能:
1.历史数据统计后验。历史数据统计一般以收盘价或者日均价作为买入卖出的交易价格。然后根据设定的交易价格计算出在某一段时间内的收益率、超额收益、夏普率等结果。历史数据统计后验的优势是效率高、简单方便。缺点是不够精确,尤其不能考虑资金量对市场的影响。这个阶段的IT要求:简单的原语/多市场的数据/各种盈亏报表分析。
2.历史高频交易数据后验。历史高频交易数据后验的核心在于根据历史高交易频数据进行模拟撮合,撮合算法主要是判断在某个时段的成交量的成交比例。这个步骤的IT要求:快速撮合能力
一、引言
企业投资方案决策是否正确直接关系到生产经营的成败。现有投资方案决策通常是采用比较各备选方案净现值、期望收益额、期望收益率、收益标准差和收益标准差率等单一量化指标来选择最优投资方案。运用单一的量化指标进行决策虽然方便但没有综合考虑影响企业投资决策的各种量化、非量化因素,尤其是当运用不同量化指标对备选方案选择得出的结论相悖时企业将陷入无法决策的困境。本文针对这种情况,综合考虑影响投资决策的量化和非量化因素,运用层次分析法结合案例分析进行最优投资方案选择。
二、层次分析法运用于投资方案决策的原理
层次分析法(Analytia1 Hierarchy Process,简称AHP)是美国匹兹堡大学教授A. L. Saaty于20世纪70年代提出的一种系统分析方法。AHP方法能够综合分析量化因素和非量化因素进行决策,因此在经济管理类研究中有着广泛的运用。层次分析法的基本原理:根据问题的性质和需要达到的总目标,将解决方案分解为目标层、中间层、方案层等,并按照因素间的相互关联影响以及隶属关系,将各因素按不同层次聚集组合,形成一个多层次的分析结构模型。层次分析法运用于投资方案决策可分为四个步骤。
(一)目标层的确定
层次分析法运用于投资方案决策首先要确定投资方案决策的目标。投资方案的决策目标就是选择最优投资方案。投资方案决策是否正确,直接关系到企业的生存和发展,因此必须对企业内外各种定性和定量的信息进行全面分析,才能做出正确的决策。最优投资方案的选择并不仅仅取决于某一单项指标的优劣,比如净现值的高低。净现值的高低只是企业衡量投资方案的一个方面,最优投资方案应该是最符合企业整体发展战略,能够发挥企业自身优势的方案。
(二)中间层要素的确定
决策目标确定为最优投资方案后,最优投资方案的实现将分解成各层次的中间层要素。中间层要素可以是量化的也可以是非量化的。层次分析法在投资方案决策中运用的关键就在于要将决策目标分解为合适的中间层要素,即:投资方案优劣的判断标准。判断投资方案的标准必须符合企业实际,一般情况下期望年收益高、投资风险小、净现值高的投资方案是优秀的投资方案,但对于特定企业而言,国家政策支持力度、投资周期的长短、技术优势是否明显,在选择投资方案时也许更加重要。因此建立层次结构模型应列出决策目标的影响因素,通过考虑各影响因素之间的重要性建立关系矩阵来确定各因素的权重关系。
(三)确定多个备选方案完成层次结构模型
将企业多个备选投资方案和层次结构模型的决策目标、中间层要素进行连接,通过计算权重、单个矩阵、整体矩阵的一致性判断来确定层次结构模型的合理性,最终根据计算结果选择最优投资方案。
(四)进行层次单排序及总排序,并进行一致性检验
计算出各判断矩阵的最大特征根及特征向量,并通过归一化处理,同时要检验判断矩阵的一致性,如果不能通过一致性检验则需对判断矩阵重新计算;计算同一层次对最高层次(总目标)相对重要性的排序权值,此过程从最高层依次到最低层进行,同时对判断矩阵进行一致性检验,如果不能通过一致性检验则需要重新开始。
三、层次分析法在投资方案决策案例中的应用
笔者通过案例来探讨层次分析法在投资决策中的具体应用。假设A企业要进行投资决策,现有三种方案可供选择。三种备选方案投资收益基本情况见表1。
三种备选方案的投资周期不同,C1方案为5年,C2方案为4年,C3方案为6年(假设均为一次投入,分年收益)。A企业的再投资年收益率为10%。从A企业现有的科学技术来看,C1方案有一定的技术优势,其他两个方案均为新的领域,但C3方案是环保产业,国家政策比较支持。
从A企业案例可以看出三种备选方案的决策信息中既有量化信息也有非量化信息。传统的投资方案决策方法通常运用净现值、投资年收益、收益标准差等单一的量化指标判断最优投资方案。这些传统决策方法在决策时考虑的因素比较单一,而且在本例中,传统决策方法出现了多项指标优势交叉而无法进行判断的现象。因此笔者选用层次分析法进行投资方案的决策,以综合考虑投资方案中的量化因素和非量化因素。
(一)建立层次结构模型
根据A企业案例资料,综合现有数据选择六个中间层要素,画出A企业投资方案的层次模型结构图,如图1所示。
(二)构造判断对比矩阵A—B
A企业管理当局选定10位专家组成专家系统,运用德尔菲法对六个中间层要素的重要性进行比较,使用九级指标法将中间层要素两两比较后进行打分,得出决策目标层A对中间层要素B的判断对比矩阵,即:A—B对比矩阵,见表2。
其他对比矩阵的权向量计算过程同对比矩阵A—B的权向量计算过程限于篇幅不再详述。
(五)一致性检验及备选方案的选择
计算各对比矩阵的最大特征根,利用随机一致性指标进行检验,计算出CR的值(表9)。从表9可以看出,各中间层要素的一致性比率CR均小于0.1,即各判断矩阵的一致性检验均通过。
计算层次总排序,进行一致性检验得出CR=
0.0774
从表10可以看出备选方案C3的方案总权重最大,A企业应选择备选方案C3作为最优投资方案。
四、结论
通过A企业的案例分析,笔者认为层次分析法能够较好地结合量化指标和非量化指标综合考虑影响企业投资方案决策的各方面因素,使企业投资方案决策更具科学性。运用层次分析法对企业投资方案决策过程中的各影响因素进行权重分配,可避免在影响因素过多的情况下决策者顾此失彼,将主观意识过多地带入企业的经营决策。当各种决策方案出现多项指标优势交叉时,层次分析法更能做出科学的判断。
【参考文献】
这个MFCA国际标准框架,只包括一般术语、目标、原则、基本要素和实施步骤,并不包含改善物质或能源效率的详细的计算步骤或相关信息。该标准涉及的成本仅包括内部成本,并不包括外部成本。以下就MFCA的基本要素与实施步骤进行解释。
(一)MFCA的基本要素
MFCA的基本要素包括物量中心、物料平衡、成本计算与物质流转模型。
(1)物量中心。它是生产过程中选定的一个或多个环节,以对生产过程的输人输出物料以实物单位和货币单位进行量化。在MFCA方法里,物量中心充当数据收集的功能。首先,对物量中心的物质流转与能源使用进行实物量化;其二,对物量中心物质成本、能源成本、系统成本和废弃物管理成本进行货币量化。
(2) 物料平衡。S卩“输出数=输人数+期初数-期末数”平衡公式。以仅包括原材料为例,50kg的原材料进人物量中心,物量中心期初有150kg,在期末还有100kg的原材料,那么,输出数=50+150-100=100。
(3) 成本计算。承上例,加人能源成本、系统成本与废弃物管理成本。如图1所示:
别有原材料500元、能源50元、系统成本800元和废弃物处理成本80元,输出物质有产品(正产品)70kg和物质损失(负产品)30kg,材料成本、能源成本和系统成本按材料比重在正产品与负产品之间进行分摊,而废弃物管理成本全部归在负产品——物质损失成本里。
4)物质流模型。在MFCA里,通过视觉模型来显示
物料在不同物量中心的储存、使用或移动。如图2所示
图2描述了一个流转系统,提供了一个清晰的流转图。产品既包括产成品也包括半成品。可见,MFCA对流程内的各种物质从投入到产出进行全程跟踪,立足于企业资源输出的合格产品和废弃物的流向与流量,将资源成本按照一定的标准(这里是重量)在两者之间进行分配,可以准确地确定物质流的有效利用成本与损失成本。按传统的产品计算方法,计算费用的对象仅为正产品一项,而在MFCA中对于制造过程中排放的废弃物也作为一种产品(负产品)以计算单价的方式来进行评价。从而,传统的生产管理信息中看不到的损耗或浪费的产品成本就可视化了。
(二)MFCA的实施步骤
成功的MFCA要求许多实施步骤。分析的详略程度及复杂性视情况而定,比如组织大小、产品的特点、所选择的物量中心的数量等。
以下用一个p^CA(Plan-Do-Check-Action)循环勾勒MFCA实施步骤。此外,MFCA的PDCA循环也可内含并应用于不同阶段的环境管理系统。
以货币单位量化物质流为例,其量化的对象有:材料成本、能源成本、系统成本和废弃物管理成本。材料成本量化有不同的方式选择,比如,历史成本、标准成本和重置成本等,一旦确定以哪种方式,就要一贯使用。以上是标准的简介,更加详细的计算方法在早前的应用指南及案例分析里体现得更全面。
由以上标准解释可以总结得出:(1)将输人物质成本按输出流向分别核算正产品与负产品,明确物质损失成本;(2)形成物质损失的“逐步结转”,可明确各物量中心的有效利用成本与损失成本;(3)除材料、燃料等直接成本按输出正产品、负产品比例划分外,人工、折旧等间接成本也按此方式划分,体现了完全成本分类核算思想,这因于投入与产出的因果关系的原理。
MFCA量化企业资源损失成本,使资源损失结构淸晰化,可挖掘企业改善的潜力⑴。因为MFCA是从数量和价值两方面使流程中各物量中心的材料损失与其他成本“可视化”,而传统成本核算将废弃物损失包含于完工产品中,处于隐形状态。正因此如此,MFCA可揭示资源损失的环节及金额;揭示生产工艺全流程的成本流,包括流向及流量。因而可帮助企业判断资源损失的重点环节,提出优先或重点改造项目,另外,在制造企业中,MFCA还是材料选择替代、工艺流程优化、产品结构设计及废弃物再生循环等系统决策与控制的重要参考信息。
二 MFCA应用范围
ISO/TC207/WG8的召集人K.Kokubu(日本)负责MFCA的标准化问题。2010年他在日本《质量管理》杂志发表了“物质流成本会计的重要意义”,并认为由MFCA方法提供的信息可以有效地应用于企业经营的各种场合。以往的环境管理手段大多局限于在环境污染发生后再采取无害化以及回收利用等“末端治理”手段,而MFCA则能够促进以生产过程本身的革新为目的的“过程内在型”的环境对策。对企业来说,能够同时达到减轻环境负荷和降低成本的双重目标,因而有效性更为明显。MFCA可从设备投资、原材料采购、变更产品设计和生产计划、进行现场活动的改进等四个方面进行应用。
(1) 在设备投资方面的应用
设备投资在企业决策中占据非常大的比重。当决定引进新设备时,一般都要最大限度地追求生产效率的提高。然而,一旦设备投资项目实施后,就以该设备设定了管理标准,因而往往忽视了设备本身的效率性能。
与以往的环境管理方法不同,由于MFCA能够准确地掌握某工序中废弃物的经济价值大小,因而可以从制造设备本身的效率性能来解决问题。因设备原因造成的废弃物的发生,通过MFCA对该废弃物进行成本评价,使设备的经济评价成为可能。即,以减少废弃物而进行设备更新为前提,采用MFCA方法从废弃物的成本观点出发对设备本身的效率性能进行分析,由此引进还是不引进设备这两种替代方案就可以进行比较。这是MFCA提供的信息在设备投资上最为有效的一个应用。
(2) 在原材料采购方面的应用
废弃物产生的原因在于设备方面的情景不少,由于所购原材料的形状和性质的情况也很多。在生产现场发生的废弃物多数是购入材料在加工时被挖或被削的瑕疵造成的。如能减少这类情况,废弃物也就能够减少不少,可更进一步地达到资源保护的目的。有关原材料购入形状等问题,需要与供应商进行交涉。假如供应商认为材料的形状和性质的变更对他们有利的话,也许就会考虑改变;而如果供应商也引入MFCA方法,就要计算需要花费多少成本来实现这一改进。可见,运用MFCA方法向供应链的这种延伸,使原材料的变更问题可得到更为有效的解决。
(3) 在产品设计和生产计划上的应用
产品设计不当也会成为产生废弃物的根源。在这种情况下,重要的是要将MFCA方法获得的信息反馈给产品的设计开发人员,寻找改进的可能性。另外,生产线上程序的更换也可能成为工序中产生废弃物的原因之一。比如:在同一生产线上对产品种类进行变更时,对机械设备进行清洗和试运转等作业,会产生一定的废弃物。从环境管理角度看,最好避免生产线的交替作业,但从生产管理的角度看,则希望尽可能地减少不必要的库存。在这种情况下,运用MFCA方法,将废弃物形成造成的成本增加与库存的增多造成的成本增加进行比较,然后可进行取舍。
(4) 在现场改进活动中的应用
在企业生产现场,一般都以提高生产效率和降低成本为目标。引进MFCA方法后,能够以经济单位来评价现场的改进活动,并对各活动的有效性做出评价,进行统一规范的指导。MFCA具有超越现有管理思想的趋势。通常在生产现场,损耗的设定都在管理者能够正常管理的范围之内,主要以次品等为中心,但是,随着制造规格书设定的投人材料与输出之间出现的差额,因为在现场无法管理,所以有时就不作为管理对象,而MFCA可将这种损耗显示出来,扩大了损耗的范围。
可见,MFCA可有效应用于企业生产的各个阶段。企业在决定引进时,通常从一件产品的一条生产线、向整个工厂整个企业,进而向整个供应链扩展和延伸的手段,应用范围越广泛,延伸后获得的效果就更明显。
三.MFCA未来应用前景:用于生产管理循环
由以上分析可以看出,在MFCA方法里,物质损失是研究重点,物质损失的减少在降低成本上体现了明显的效果。MFCA对物质损失的发生原因和处理方式如图4所示:
可见,物质损失的改进大体上可分为两大课题。一是通过现场改进就可以实现物质损失的减少,一般不需要投资,二是需要变更制造方法或者需要新的设备投资才能解决物质损失减少的问题。MFCA使因制造方法或生产设备引起的物质损失大小和成本削减的可能性实现了可视化。
这些人,因其使用高等数学手段决定亿万计资金的投向,而在30年前赢得“火箭科学家”名声。在外人看来,他们有些像中世纪的炼金术师:给他们数据,他们还给你美元!
华尔街的数学传说
实际上,在华尔街上管理资金规模最大的量化技术,并非那么不可捉摸:众多公司使用“因子加总模型”辅助他们选择股票。
这种方法大多基于Fama-French的开创性论文,其基本思想很简单:依据各项基本面指标对于历史上超额回报的贡献程度,来决定这些基本面指标在选出“超级股票”上的“有效性”,并据此赋予这些指标不同的权重;按照上市公司指标在全部篮子股票中的排序,再使用上述步骤中获得的权重对其进行加权加总计算。如果该公司的加权之和排名靠前,则表明该公司的基本面指标符合能够带来超额回报的历史模式,从而有望在未来展现强势。
数学模式大同小异,公司之间的竞争主要集中在两个方面:第一,各公司均投入巨资,研制自己的特有指标;第二,研制更加有效、稳定的加总方式。
传统的基本面分析往往要求基金公司雇佣大量分析师,成本高昂。由于每个分析师能够跟踪的公司数目有限,基金经理不得不在较小的股票篮子中进行选择,有可能错失最好的投资机会,投资组合的分散程度也受到限制。同时,依赖基本面分析进行投资管理要求基金经理进行大量的主观判断,人性弱点(贪婪与恐惧)对投资业绩往往产生较大影响,投资业绩波动较大。使用这种方法建构的投资组合往往无法定量化控制每只个股给投资组合带来的风险。从基金公司的角度而言,这种方法对基金经理个人的依赖较大,一旦出现人员变化,基金业绩也往往随之波动。
量化选股方式将投资决策建立在对历史模式的详尽研究之上,克服了上述缺点。其在美国投资界的应用近20年来大幅提升,管理资产额的上升速度为传统方式的4倍。
回归价值投资
然而,过去数年,定量化基金遭遇了重大打击。2007年,最大的定量化机构对冲基金、高盛名下的Global Alpha遭遇了重大损失,几乎清盘。2008年,众多量化基金再遭滑铁卢。笔者在北美也曾主持研制一个包含上百个指标的量化选股系统,但在实践中,却最终放弃。
实战经历指出该类系统的一个致命弱点是,在实战中,哪一类因子何时发挥作用,是不可预测的。有些时候是价值因子占优,有时候是增长因子占优,而何时其影响力出现变化,难以事先预测。其结果就是分析师与基金经理疲于奔命地试图追赶因子影响力变化的脚步,并据此不断矫正模型。如此,基金经理不得不在使用量化系统的同时,使用个人化的随机判断对量化系统进行纠正――这弱化了它本该享有的优势并导致投资业绩大幅波动。
仔细反思,最主要的问题在于,各预测因子被无机地组织在一起,各个因子之间的互相影响却没有被考虑。也就是说,华尔街模型“从数学到数学”,缺乏对投资哲学的深入理解。
量化技术所具有的优势应该被利用,但数学手段应该被视为手段,而不是主导。一个有希望的发展方向,是将量化技术与价值投资哲学相结合,实现“从哲学到数学”式的投资理念。为此,需要在投资哲学上,梳理价值投资理念的本质。
价值投资在国内市场有众多拥护者,也不乏怀疑者。实际上,国内普通投资者对价值投资的理解有值得深化之处。笔者以为,价值投资的本质有二:
第一,价值投资告诉投资者,市场会犯错。以“5毛钱买进1元钱价值”作为号召,价值投资拒绝接受“有效市场理论”。但事实上,在大多数时候市场是有效的。大多数股票的价格正确反映了所有的信息、知识与预期,当时的价格就是上市公司的内在价值。要获得超额回报,必须去寻找市场可能呈现的“异常”,或者说在何处投资者的平均预期可能落空。价值投资就是寻找“未来”与“预期”之间的歧异。量化系统的设计目标是,要有能力淘汰那95%的普通(有效)情况,而把注意力引导剩余的5%――在那里,“未来”与“预期”有最大的机会出现歧异。
第二,价值投资的另一面,是说任何人都会犯错。当我们集中注意力去寻找“超级股票”的时候,是在下一个极大的赌注。这个赌注是高风险的。所以,请记住索罗斯的告诫:“投资者重要的不是做对还是做错,而是在做对的时候赚多少,做错的时候亏多少。”为对冲第一个赌注的风险,需要寻找最大的安全边际――当我们犯错的时,安全边际将保护我们不致尸骨无存。
安全边际是指,市场涨跌的轮回已经测试过所有情景。该公司在完整的牛熊市周期中,由千千万万投资者的真金实银所测试出来的估值空间。因此,安全边际的定义并非相对市场平均水平更低的PE值这么简单。每家公司都不同于别的公司,将不同公司的估值水平相比较,更多时候带来误导而不是洞察力。应该将公司目前估值水平与该公司调整后的历史范围相比较,并决定“安全边际”存在与否。
在实践中,要寻找在未来可能提供业绩惊喜、而仍在其估值范围下限附近交易的公司。依据此思想,数量化技术可以对所有上市公司的投资机会予以量化评估,进而实现“从哲学到数学”的投资思路。
对中国股市独特性的夸大导致某些论者以为,在中国股市,唯有投机可以赢得超额利润。这其实是伪命题。事实上,正是由于中国股市效率较低且风险奇高,一个系统化评估市场错配与风险衡量的系统,可以发挥最大效率。一切都取决于对市场运行规律的深入把握与技术优势的结合。在实践中,我们开发的量化价值投资体系取得了稳定超越指数的优良业绩。这有力地证明,中国股市的特殊性并没有遮盖其作为投资市场的普遍性。
关键词: 层次分析法;地方政府投资项目;决策
Key words: Analytic Hierarchy Process;local government-invested projects;decision-making
中图分类号:F224 文献标识码:A 文章编号:1006-4311(2013)32-0003-02
基金项目:本文是江苏省教育厅高校哲学社会科学基金项目《苏北地区公共服务项目风险分担机制研究》(项目编号:2012SJD630006)的阶段性成果。
作者简介:江俊龙(1976-),男,安徽肥东人,淮阴工学院经济管理学院讲师,研究方向为开发投资理论与政策。
0 引言
我国从1978年的经济改革开始,投资体制改革在不断深化。2004年,《国务院关于投资体制改革的决定》(以下简称“决定”)的颁布是一重要里程碑。《决定》中明确了企业的投资主体地位,完善了政府投资体制。界定政府投资范围并合理划分了中央政府和地方政府的投资事权。地方政府的投资主体地位得到明确和巩固。
《决定》中规定,政府投资主要用于关系国家安全和市场不能有效配置资源的经济和社会领域,包括加强公益性和公共基础设施建设,保护和改善生态环境,促进欠发达地区的经济和社会发展,推进科技进步和高新技术产业化。因此,地方政府投资项目(以下称“项目”),特别是其中的基本建设项目,一般投资额较大,在推动地区经济发展方面发挥巨大的聚集和拉动作用。
但是,相对于需求而言,资源总是稀缺的。对地方政府投资项目进行合理的评价有利于将有限资源的作用最大化。目前,评价的方法主要有经济计量模型、投入产出模型、系统动力学模型等[1]。这些方法在评价中发挥着重要的作用。遗憾的是,一方面,这些方法对数据的要求较高,当数据不完备时,作用会大打折扣。另一方面,这些方法涉及比较复杂的模型以及相应的软件,操作难度较大。然而,地方政府投资项目时常在较多方面缺乏完整数据,如居民对生活环境的评价。同时,相关软件的欠缺。这就使得以上这些方法在应用中具有其局限性,需要一些更合适的方法。层次分析法就是其中之一。
本文主要探讨如何在地方政府投资项目评价中利用层次分析法。目的是让相关决策人员掌握层次分析法的应用过程及注意事项。
1 层次分析法
层次分析法(Analytic hierarchy process,AHP法)是美国运筹学家沙旦(T.L.Saaty)于20世纪70年代提出的,是一种定性与定量分析相结合的多目标决策分析方法。特别是将决策者的经验判断给予量化,对目标(因素)结构复杂且缺乏必要的数据情况下更为实用[2]。
应用AHP法的思路是:首先根据问题的性质要求,提出一个总目标。然后将问题按层次分解,对同一层次内的各因素通过两两比较的方法确定出相对于上一层目标的各自的权系数,逐层分析直到最后一层,即可求出所有因素相对于总目标的重要性排序[3]。这些层次可以具体分为三类:目标层,只有一个元素,一般是分析问题的预定目标或理想结果;准则层,包含了为实现目标所涉及的中间环节,可以由若干个层次组成,包括所需考虑的准则和子准则;方案层,包括为实现目标可供选择的各种措施、解决方案等[4]。
应用AHP法的主要步骤:第一步,建立层次结构模型。
第二步,标度及判断矩阵。标度,为了使各因素之间进行两两比较得到量化的判断矩阵,引入1~9的标度。见表1。
第三步,权重及特征向量。权重的计算方法有多种,相对比较简单的是规范列平均法。具体步骤是:首先,求出判断矩阵每一列的总和。其次,用判断矩阵的各元素除以其相应列的总和,将所得商组成标准两两比较矩阵。然后,计算出标准两两比较矩阵每一行的平均值,这些平均值就是相应的权重。由这些平均构成的向量便称为权重向量或特征向量。
第四步,判断矩阵的一致性检验。判断矩阵是对各因素两两比较的结果,对于复杂事物来说,两两比较不可能做到判读的完全一致性,而存在估计误差,因此也就得到带有偏差的相对权重向量。误差在一定范围内是可以接受的;但当误差很大时,相对权重向量也就不具有有效性。一致性检验的目的就是判断误差的可接受程度。一致性检验采用的指标是一致性率(CR),其计算公式为:CR=CI/RI。其中CI为一致性指标,RI为修正值。一般规定当CR≤0.1时,判断矩阵的一致性可以接受,否则重新进行两两比较判断。
1)CI的计算步骤。首先,由被检验的判断矩阵乘以其特征向量,所得的向量称为权重和向量。其次,每个权重和向量的分量分别除以对应的特征向量的分量,并计算出算术平均数,记为λmax。最后,利用公式CI=(λmax-n)/(n-1)(n为维数)计算结果。
2)RI主要通过查表获得。常用的如表2所示。
第五步,方案比较。通过以上步骤,可以知道某方案在各准则中的权重向量以及各准则在目标中的权重向量。两向量相乘,即得出该方案的得分。通过各方案得分的比较,即可对方案进行排序。
2 AHP法在地方政府投资项目中的应用
2.1 案例描述 W镇是东部某省的一个相对比较偏僻的小镇。W镇以农业为主,主要农作物为水稻。境内没有大江大河或其分支,主要靠降雨。在50年代曾修建一个水库,是降雨外的主要水源。因为独特的地理环境,境内拥有两处自然风貌的旅游景点,在省内具有较高的知名度。农业收入和旅游业收入是当地居民的主要收入来源。
W镇现任领导基本上都是土生土长的本地人,镇长及书记是从基层一步一步提上来的,对乡土民情十分熟悉,经验丰富。由于资金及编制的限制,镇里近两年仅引进一名旅游管理专业的本科毕业生。目前,进入镇里审核的有三个项目,但是由于各种原因的限制,只能选择其中一个。这三个项目分别是:项目A,建一个主题公园;项目B,建一文化广场;项目C,扩建一个老的水库。镇里成立了以镇长为组长的项目评估小组。
由于镇长及小组成员的经验丰富,同时关于居民感受方面的数据不太容易获得量化数据,所以小组决定选用层次分析法进行项目评价。
2.2 层次结构模型的构建
2.2.1 目标 评估小组认为:任何活动都遵循成本收益原则。即使是政府投资项目也不例外。即,成本收益也有长期和短期之分、经济与非经济之分、可量化与不可量化之分。不同的是,因为镇政府承担着维护W镇的社会稳定、经济发展等多方面的责任,所以镇政府投资的项目应该更关注社会总成本和社会总收益。因此W镇项目评估小组将目标界定为社会净收益(即社会总收益与社会总成本配比后的结果)的最大化。
2.2.2 准则 在建立准则层的时候,评估小组认为:项目自身的财务评价虽然也很重要,但是作为政府投资的项目,其直接或间接的社会影响也很重要。为此,参考发改委与建设部的建设项目评价方法与参数、电话咨询省城知名专家并结合小组的自身知识,评估小组给出了如下4个准则:①项目的财务分析。反映项目自身的财务状况。即项目自身的财务信息。包括净现值、投资回收期、内含报酬率等。②经济总量。反映项目对W镇国民经济总量的贡献,包括增加值、净产值、纯收入、财政收入等。③经济结构。反映项目对W镇经济结构的影响,主要包括三次产业结构、就业结构等。④社会与环境。反映项目对W镇社会与环境的影响,主要包括社会阶层、居住环境等。
2.3 方案的比较及选择
①判断矩阵。通过向专家咨询,结合项目评估小组自身的判断。给出了方案层的4个判断矩阵和准则层的1个判断矩阵。
②权重及特征向量求解。项目在财务分析、经济总量、经济结构、社会与环境、目标的特征向量分别为(0.593,0.341,0.066)T、(0.623,0.137,0.240)T、(0.378,0.157,
0.467)T、(0.123,0.320,0.557)T和(0.126,0.384,0.3,0.191)T。并通过一致性检验。
③计算各项目的得分。项目A=0.593*0.126+0.623*0.384+0.378*0.3+0.123*0.191=0.451;项目B=0.341*0.126+0.137*0.384+0.157*0.3+0.320*0.191=0.204;项目C=0.066*0.126+0.240*0.384+0.467*0.3+0.557*0.191=0.347。项目A的得分最高,所以评估小组决定选择项目A。
3 地方政府投资项目中应用AHP法的注意事项
AHP法可以充分利用经验优势,但是在应用AHP法时,有两个关键环节需要注意。一是准则的确立。因为准则的优劣直接决定了后面的结果,所选的准则应有理论基础和地方实际背景的支撑,不可随意选择。二是判断矩阵的构建。在进行两两比较时,要确保判断的独立性和客观性。不可因为利益的诱惑或非正常的压力做出虚假的判断。
参考文献:
[1]国家发展改革委,建设部.建设项目经济评价方法与参数[M].北京:中国计划出版社,2006.
1风险管理及对外资源型投资项目风险管理
所谓项目风险管理是指人们的主观行为,使各行为主体通过对某一项目实施过程中将要遇到的风险事件进行识别、衡量、分析,在此基础上制订出适宜的防范控制措施,用合理的手段综合处理风险,以最大限度地实现项目实施的既定目标的科学管理过程。
投资项目风险指的是项目投资建设运营过程中项目可能给项目投资者、项目债权人等相关利益群体所造成的损失及对国民经济和经济环境、环境等所造成的破坏程度。投资项目面临着大量的不确定性风险因素,对这方面的也颇多,一般来说主要分为市场风险、管理风险、技术风险、自然环境风险、经济风险、社会文化风险等。每一大类风险因素又可划分为若干小类,这些风险因素对不同的项目,甚至是同一项目不同阶段的程度也都是不同的,但任何一种风险都有可能造成项目建设的失败。
对外资源型投资项目风险管理是指对外资源型投资对勘探、开发、投资项目实施过程中存在的各种各样的风险事件进行识别、衡量、分析评价,并适时采取各种有效的方法进行处理,以保障该项目安全正常实施,达到预期收益,并保证本企业及国家的经济利益免受损失的科学管理过程。
2对外资源型投资项目风险管理的基本程序和步骤
对外资源型投资项目风险管理的基本程序与一般风险管理程序一样,包括风险的识别、风险的评价、风险的决策和风险的控制与防范这四个主要步骤。
风险的识别是整个风险管理活动的前提和基础。它包括调查投资项目面临的所有潜在风险是否存在、分析产生风险的各种原因。识别风险应尽可能全面按照系统分析的方法,项目风险可分为筹融资风险、建设期风险、生产期风险和项目决策风险。
风险的评价是指对投资项目所面临的各种特定风险发生的可能性或风险发生造成的损失的范围与程度进行的测算和估计。它包括风险大小的定量估计与风险危害基准的设定等。
风险的决策是指针对投资项目所面临的各种特定风险及其大小,运用适当的方法加以分析,从而做出是否投资,何时投资以及如何投资等的决策过程。
风险的控制与防范是指人们力求规避或改变那些可能引起或加重损失的因素,采取安全有效、积极合理的措施来对付各种风险。风险的控制与防范要根据风险管理主体对风险的态度、风险承受能力、管理者的素质、风险的性质和影响程度等许多因素,运用各种相应的方法来进行处理。其中风险的防范主要偏重于对风险的事前、损前处理,风险的控制则是在投资项目运作过程中,随时监视项目的进展,注视风险的动态,一旦有新情况,马上对新出现的风险进行识别、评价和决策,并采取必要的行动。
风险管理的这四个步骤之间不是孤立存在的,在实际运用过程中通常下一步骤的进行是以前一步骤的结果为依据而紧密联系在一起的。由于风险尤其是经济风险的影响因素是瞬息万变的,旧的风险因素会不断改变,新的风险因素又会不断产生,因此必须定期、不定期地进行风险识别、风险评价,不断修改和完善风险决策方案及风险控制方法。换句话说,风险管理活动的四个基本步骤是一个连续不断、循环往复的管理过程。
3对外资源型投资项目面临的主要风险
3.1项目筹融资风险
这是指项目管理者在筹融资活动中改变筹资结构,使其偿债能力丧失和资金利润率降低的可能性。项目筹融资风险主要来源于生产经营、资金组织和外汇汇率变动。如果生产经营中项目亏损,就使得筹融资中借入的资金偿还需用自有资金支付;如果资金安排不合理,购货付款与偿债付款较集中,就会出现临时性的经营困难;对外资源型投资项目还主要面临着汇率升降所带来的风险。
3.2建设期风险
在对外投资项目的整个建设周期中,由于资金的不断投入,而项目还未获得任何收益,这就使得项目一旦因为某些因素造成建设成本超支,不能按期完工或无法完成,就会给投资者带来损失。为此需考虑以下几方面的因素:管理者必须具备丰富的管理经验和一定的技术能力,否则导致项目的投资成本、完工质量及生产效率方面出现不确定性;原材料、燃料涨价,资金、人员和物资调配环节出现,都会造成建设成本增加、工程延期,投资回收期延长;土地、建筑材料及运输的可获得性出现困难,无法按计划开工,就会拖延工期;不可抗力风险自然灾害、战争、政局变动等都会影响工程开工,并对投资项目未来产品市场产生影响。
3.3生产期风险
项目建设完成,进入正常经营状态,通过产品的销售来偿还债务和回收投资,实现预期的经济效益和社会效益。这一时期的风险主要表现在生产、市场、政策、汇率变动、政治波动等方面。
平安“健行天下”:健康越多,奖励越多
运动、旅游、购买健康的果蔬食品,这些也能和保险产生关系?
没错,现如今,这些行为也能和你的健康险保单“挂钩”了。
根据中国平安集团旗下专业健康险公司平安健康险董事长兼CEO陆敏的介绍,今年5月份开始,平安健康险在业内首创的“健行天下(Vitality)”健康促进计划已经在北京和上海两地上市,后续将逐步拓展至全国,帮助更多国人改善健康。
此次“健行天下”健康促进计划的推出,旨在倡导健康、科学、文明的生活方式,通过提供易懂、易用的技能和适宜工具,以提高全民健康科学素养。
据介绍,“健行天下”健康计划建立了食品,运动和旅行等领域的科学激励体系,与许多国际知名公司建立合作关系,包括阿迪达斯、沃尔玛、乐购和携程网等公司,为会员(也就是保单持有人)提供一流品质的健康奖励。
根据平安健康险产品创业总监盛安久(Andrew Scott)的具体介绍,平安“健行天下”计划通过对保单持有人健康行为和健康饮食的干预,鼓励保单持有人持续改善健康并享受奖励。通过该计划简单的3个步骤,保单持有人可以轻松和持续改善健康。
第一步,认知自身的健康状况。“健行天下”计划为客户提供了在线评估和医院专业体检等多种灵活方式,帮助客户了解健康。
第二步,改善自身的健康状况。通过运动干预和饮食优选等持续改善健康,并获取会员积分。客户可通过计步器运动,或在一兆韦德专业健身机构来改善健康。另外,客户还可在合作商户选购果蔬并获取会员积分。
第三步,享受健康奖励。客户为健康努力和付出越多,获得的会员积分响应也会越多,所能享受到的健康奖励就越大。根据会员累计积分的不同,“健行天下”会员分为5个等级,即蓝牌,铜牌,银牌,金牌和白金,各种不同的等级对应不同的商户折扣比例,可以直接为保单持有人节省经济成本。
可以说,通过保单持有人自身为健康进行的持续不断的努力,被保险人的身体更健康了,保险理赔率也会相应降低,这对客户和平安健康险公司而言可谓“双赢”。
据悉,2010年8月,平安健康险与南非最大的健康保险公司Discovery签署合作协议,引进战略投资者。通过对南非Discovery公司业务系统和医疗风险管理工具等知识产权的引进,平安健康险已逐步建立专业医疗风险管理平台和产品及服务创新基础,同时凭借专业和人才优势,利用现代技术,致力于探索健康保险与健康服务模式,帮助客户有效管理健康风险,增进国人健康,保障个人和家庭生活以及企业员工的福利。
信泰“恒星”投连险:“量化投资”是王牌
信泰人寿则于近期开发了 “信泰恒星终身寿险(投资连结型)”产品。该投连险主要面向高收入人群,兼具投资理财与保险保障功能,最低认购门槛1000万元。它以量化投资为主要投资手段,是国内首款高端量化投连险。
近年来,量化投资作为一种创新的投资管理模式,已经越来越受到投资界重视。量化投资的优势在于使用现代的数理统计作为工具,投资注重纪律性、科学性和广度,这就对投资团队的专业性提出了更高的要求。
作为一家新兴的全国性寿险公司,信泰人寿也一直在通过引进人才、完善体系、规范流程和制度、建立具有差异化的核心投研策略、强化风险管理等一系列举措,打造自己的量化投资管理团队。信泰人寿的资产管理团队目前在首席投资官王连平博士(原国内某大型资产管理公司量化投资团队负责人)的带领下,量化投资和量化研究的范围目前已涵盖宏观、中观(行业、板块)、微观(公司)和市场四个层面,已不再直接采用海外成型的量化模型,而是结合中国资本市场实际特点,独立研究开发出对应的量化投研体系,建立了一系列可操作性强、实战效果优良、在业内具差异化领先的投资模型和指标。
据介绍,如果把传统的“定性投资”比作中医,那“量化投资”则可以看作是西医。中医是望、闻、问、切,最后判断出的结果,很大程度上基于中医的经验,定性程度上大一些;西医就不同了,先要病人去拍片子、化验等,依托于精密的医学仪器拿到精确的数据指标,最后据此得出结论,对症下药。两种方法各有千秋,其中“定性投资”代表人物沃伦·巴菲特,其过去20年投资收益率平均每年20%;而“定量投资”代表人物詹姆斯·西蒙斯,过去20年投资收益率达到平均每年35%。
新华“祥瑞一生”:回归保险本原
新华人寿保险日前推出其最新研发的核心保障型寿险产品“祥瑞一生终身保障计划”。祥瑞一生终身保障计划由保额分红型终身寿险与提前给付重大疾病附加险组合而成,可提供身故、意外、健康、养老等多重保障,从根本上为客户搭建涵盖一生的风险防范体系。
新华保险总裁何志光向记者介绍说:“这是在新的行业监管导向和公司发展战略下推出的一款战略性产品,标志新华保险产品结构转型的开始。”
该产品主附险结合的设计模式,不仅可提供多层次保障,而且令费用更经济实惠,“低费高保”,可谓功能强,价值大。其具体功能与优势体现如下:首先,该计划为客户提供终身生命保障,转嫁未知风险,体现生命价值;其次,对重大疾病给予救治资金支持。重疾保障范围达35种(类),并设有癌症特别关爱金,对治疗费用高昂的恶性肿瘤加强保障;第三,特别增设了“养老年金转换”功能,客户可选择将保单适时转换为养老年金,增加保单的可见利益,灵活实现养老规划;第四,“祥瑞一生”采用新华保险经典的保额分红方式,通过复利的长期积累,使保障额度不断增长,体现出资金的时间价值。此外,该产品还能帮助客户作为遗产规划的一部分,有效传承财富。
行业动态:
一、构建用于风险投资项目风险评估的风险矩阵
(一)风险集的选定
风险集的确定可根据我国风险投资项目的具体特征、所涉及的领域和所处的阶段,将具体的风险投资项目风险分为7大模块, 即环境风险、管理风险、市场风险、技术风险、生产风险、财务风险和退出风险。[1]
(二)风险投资项目风险等级的确定
由于风险投资项目很难收集到数据,采用专家调查法进行风险影响的评定。综合风险分值在4分以上为高风险,2―4为中等风险,2分以下为低风险。[2]
假设某项风险投资项目的风险影响和风险概率所得的专家评估数据对相应风险因素求平均值,得到结果为:风险影响量化值分别为(4.5,3.5,5,5,4.5,4,3),风险发生概率分别为(10%,70%,60%,90%,90%,60%,10%),则对照风险级别对照表,可由原始风险矩阵方法可判断出各风险模块的风险等级,将取得的数据填入表1中。
表1 风险投资项目风险评估的风险矩阵举例
风险类别 风险影响Ri 风险发生概率 风险等级 Borda序值 风险权重Wi
量化值R 等级
环境风险 4.5 关键 10% 中 3 0.060564
管理风险 3.5 中度 70% 低 3 0.028494
市场风险 5 关键 60% 高 2 0.298638
技术风险 5 严重 90% 中 0 0.298638
生产风险 4.5 严重 90% 中 1 0.137602
财务风险 4 严重 60% 中 3 0.137602
退出风险 3 中度 10% 中 6 0.038463
(三)风险权重的确定
先应用Borda 序值法对风险模块进行重要性排序。以环境风险为例,根据风险影响准则,比环境风险影响程度高的因素个数为2 ,即RR11=2;根据风险概率准则,比环境风险发生概率大的因素个数为5,即RR12=5;代入上述公式可得,环境风险的Borda 数为7。同理可得其他风险类别的Borda数分别为:7,11,14,12,7,3。根据Borda数确定其Borda序值分别为:3,3,2,0,1,3,6。由上述方法所得的Borda序值可知:该风险投资项目的七个风险中,技术风险最为关键,其次是生产风险和市场风险,然后依次为财务风险、环境风险和管理风险,最后是退出风险。
根据上一步骤排出的Borda序值,邀请专家组对风险投资项目的7个风险因素按重要性程度进行两两比较打分,构造判断矩阵,并求出判断矩阵的特征向量,即为各风险因素的权重向量。
表2 应用excel表格进行的层次单排序计算
按行相乘 开n次方 权重Wi Awi Awi / Wi CI=(λmax-n)/(n-1) CR=CI/RI
0.0001 0.250403683 0.03176822 0.25919 8.1587243 0.10227 0.07576
0.0001 0.250403683 0.03176822 0.19439 6.1190432 0.10227 0.07576
1440.0000 2.826146311 0.35854763 2.53238 7.0628934 0.10227 0.07576
810.0000 2.603142003 0.33025551 2.30622 6.9831517 0.10227 0.07576
8.3333 1.353772028 0.1717504 1.72109 10.020874 0.10227 0.07576
0.0001 0.250403683 0.03176822 0.25919 8.1587243 0.10227 0.07576
0.0006 0.347934789 0.0441418 0.29982 6.7921281 0.10227 0.07576
7.88220618 7.6136484 查表,得RI=1.35
本文按层次分析法中的方根法计算各风险模块的权重,由CR=0.07576
(四)确定风险投资项目的总体风险等级
专家评定的风险影响量化值为(4.5,3.5,5,5,4.5,4,3),结合各风险因素的权重,对风险因素的等级进行加权:
Z= R*RWT= (4.5,3.5,5,5,4.5,4,3) (0.0317 0.0317 0.3584 0.3302 0.1717 0.0317 0.0441) T =4.72835>4
可判断该风险投资项目的综合风险等级为高风险。其中市场风险、技术风险风险影响量化值最高,应采取充分措施防范可能带来的损失。
二、结论
本文基于风险矩阵方法对风险投资项目的风险进行评估,利用风险矩阵方法中的Borda序值法,对风险因素的重要性进行顺序,构造判断矩阵,从而确定各风险因素的权重,最后结合风险的等级量化值和风险因素的权重确定风险投资项目的综合风险等级。基于风险矩阵法数据需求量相对较小,流程简洁,系统性强等优点,使其对风险投资项目的评估更具科学性和可操作性,因此有较比较大的参考价值。
(一)资产定价与收益的预测
根据组合优化理论,投资者将持有无风险组合与市场风险资产组合,获得无风险利率与市场风险溢价。资本资产定价模型则将此应用到单一证券或组合,认为证券的风险溢价等于无风险利率加上与风险贡献比率一致的风险溢价,超过的部分就是超额收益,即投资组合管理所追求的阿尔法值[4]。追求显著正的阿尔法是资产定价理论给实务投资的一大贡献。基于因素模型的套利定价理论则从共同风险因素的角度提供了追求阿尔法的新思路。其中,法玛和佛伦齐的三因素定价模型为这一类量化投资提供了统一的参考。可以说,在因素定价方面,量化投资继承了资产定价理论的基本思想。对于因素定价中因素的选择,证券投资学认为,对资产价格的影响,长期应主要关注基本面因素,而短期应主要关注市场的交易行为,即采用技术分析。在量化投资中,主要强调按照事先设定的规则进行投资,这在一定程度上与技术分析类似。但是,在技术分析中,不同的人会有不同的结论,而量化投资则强调投资的规则化和固定化,不会因人的差异而有较大的不同。另外,量化交易更强调从统计和数学模型方面寻找资产的错误定价或者进行收益的预测。
(二)无套利条件与交易成本
在证券投资学里,流动性是证券的生命力。组合投资理论、资本资产定价模型以及套利定价理论等都认为市场中存在大量可交易的证券,投资者可以自由买卖证券。这主要是为了保证各种交易都能实现,如套利交易。根据套利定价理论,一旦市场出现无风险的套利机会,理性投资者会立即进行套利交易,当市场均衡时就不存在套利机会。现实市场中往往存在套利限制。一是因为凯恩斯说的“市场的非理性维持的时间可能会长到你失去偿付能力”。二是因为市场总是存在交易费用等成本。但证券投资学中,对市场中套利限制与非流动性的关注较少,这是因为传统金融理论中简化了市场结构。市场微观结构理论研究在既定的交易规则下,金融资产交易的过程及其结果,旨在揭示金融资产交易价格形成的过程及其原因。在市场微观结构理论中,不同的市场微观结构对市场流动性的冲击是不同的。因而,从量化投资的角度看,为了降低交易带来的价格冲击,能实施量化投资策略的证券往往都应有较好的流动性,因为交易时非流动性直接影响投资策略的实施。从这个意义上讲,量化投资时的交易成本不仅包括交易费用,更主要的是要考虑市场交易冲击的流动性成本。
(三)风险控制与市场情绪
在证券市场中,高收益与高风险相匹配。量化投资在追求高收益的同时,不可避免地承担了一定的风险。在证券投资学中,系统性风险主要源于宏观经济因素,非系统性因素则主要源于行业、公司因素,并且不考虑市场交易行为的影响。在量化投资中,较多地使用因素定价模型,不仅会考虑市场经济因素,而且会考虑交易行为等因素,只是不同的模型有不同的侧重点,在多模型的量化投资系统中自然包括了这两方面的因素。除了各种基本面和市场交易的因素风险外,量化投资还有自身不可忽视的风险源。一方面,量化交易中,部分交易是采用保证交易的期货、期权等衍生品交易,这种杠杆交易具有放大作用,隐藏着巨大的风险。另一方面,市场冲击的流动性成本也是量化投资的风险控制因素,理所当然地在图1的风险控制模型中体现出来。另外,在一般的投资过程中,市场情绪或多或少会成为风险控制的一个对象。然而,在量化投资中,更多的交易都是通过计算机来实现的,如程序交易等,这样以来,投资者情绪等因素对投资决策的影响相对较小。所以,在量化投资的风险控制模型中较少地考虑市场情绪以及投资者自身的情绪,主要是通过承担适度的风险来获得超额回报,因为毕竟减少风险也减少了超额回报。
(四)执行高频交易与算法交易
在对未来收益、风险和成本的综合权衡下,实现投资策略成为量化投资的重要执行步骤。为了达到投资目标,量化投资不断追求更快的速度来执行投资策略,这就推动了采用高速计算机系统的程序化交易的诞生。在证券投资学里,技术分析认为股价趋势有长期、中期和短期趋势,其中,长期和中期趋势有参考作用,短期趋势的意义不大。然而,随着计算机信息科技的创新,量化投资策略之间的竞争越来越大,谁能运作更快的量化模型,谁就能最先找到并利用市场错误定价的瞬间,从而赚取高额利润。于是,就诞生了高频交易:利用计算机系统处理数据和进行量化分析,快速做出交易决策,并且隔夜持仓。高频交易的基本特点有:处理分笔交易数据、高资金周转率、日内开平仓和算法交易。[5]高频交易有4类流行的策略:自动提供流动性、市场微观结构交易、事件交易和偏差套利。成功实施高频交易同时需要两种算法:产生高频交易信号的算法和优化交易执行过程的算法。为了优化交易执行,目前“算法交易”比较流行。算法交易优化买卖指令的执行方式,决定在给定市场环境下如何处理交易指令:是主动的执行还是被动的执行,是一次易还是分割成小的交易单。算法交易一般不涉及投资组合的资产配置和证券选择问题。
二、对量化投资在证券投资教学中应用的思考
从上述分析可以知道,量化投资的“黑箱”构造与证券投资学之间存在一定的差异,因此,在证券投资的教学中应当考虑量化投资发展的要求。
(一)市场微观结构与流动性冲击
在理性预期和市场有效假说下,市场价格会在相关信息披露后立即调整,在信息披露前后市场有着截然不同的表现。在证券投资学里,一般认为价格的调整是及时准确的,然而,现实的世界里,价格调整需要一个过程。在不同的频率下,这种价格形成过程的作用是不同的。在长期的投资中,短期的价格调整是瞬间的,影响不大。然而,在高频交易中,这种价格调整过程影响很大。市场微观结构就是研究这种价格形成过程。市场微观结构理论中有两种基本的模型:存货模型和信息模型。存货模型关注商委托单簿不平衡对订单流的影响,解释没有消息公布时价格短暂波动的原因。信息模型关注信息公布后信息反映到价格中的这一过程,认为含有信息的订单流是导致价格波动的原因。无论是关注委托订单的存货模型还是关注市场参与者信息类型的信息模型,这些市场微观结构的研究加强了流动性与资产价格之间的联系,强调流动性在量化投资决策中的重要作用。一般的证券投资学中基本没有市场微观结构的内容,因而,为了加强证券投资学的实用性,应关注市场微观结构的内容与发展。
(二)业绩评价与高杠杆
对于证券组合而言,不仅要分析其超额收益和成本,还要考虑其风险与业绩。在组合业绩评价中,一方面要考虑风险的衡量,另一方面则要分析业绩的来源。在证券投资学中,组合业绩来自于市场表现以及管理者的配置与选股能力。对于量化投资而言,市场时机和管理者的能力依然重要,然而,量化投资的业绩评价还应考虑另一个因素:高杠杆。量化交易中,部分交易是采用保证交易的期货、期权等衍生品交易,这种杠杆交易具有放大作用,在市场好的时候扩大收益,但在市场不好的时候会加速亏损,这些与传统的业绩评价就不太一样。在一般的证券投资学里,业绩评价主要考虑经风险调整的收益,很少考虑其杠杆的作用,这不仅忽略了杠杆的贡献,而且有可能夸大了投资者的技能水平。
(三)人为因素与模型风险
在量化投资中,非常注重计算机对数据和模型的分析,这突出了量化投资的规则性和固定性。然而,实际中,别看量化采用了各种数学、统计模型,但策略设计、策略检测和策略更新等过程都离不开人的决策。量化交易策略与判断型交易策略的主要差别在于策略如何生成以及如何实施。量化投资运用模型对策略进行了细致研究,并借助计算机实施策略,能够消除很多认为的随意性。但是,量化策略毕竟体现投资者的交易理念,这一部分依赖于投资者的经验,一部分依赖于投资者对市场的不断观察与更新。实际上,人始终处于交易之中,对于市场拐点以及趋势反转的判断主要还是依赖投资者的经验。光大的乌龙指事件充分表明了人为因素在量化投资中的两面性:决策实施依赖于人的设定,而人的设定不仅依赖于经验,而且人还会犯错。人之所以会犯错,一方面是因为人们对市场的认知是不完全的,另一方面则是人们使用了错误的模型。经典的证券投资理论中,股票价格的变动被认为是随机的,小概率事件出现的机会比较小,但是经验研究表明股票收益率具有肥尾现象,小概率事件发生的机会超出了人们原先的认识,即市场还会出现“黑天鹅”。更为关键的是,量化投资更依赖数学和统计模型,这就使得量化投资存在较大的模型风险,即使用了错误的模型。为了防范模型风险,应采用更为稳健的模型,即模型的参数和函数应该适应多种市场环境。近年来,研究表明,证券收益及其与风险因素的关系存在较大的非线性,同时,市场中存在一定的“噪声”,采用隐马尔科夫链等随机过程和机器学习等数据挖掘技术进行信息处理成为量化投资的重要技术支持。
一、资金流策略的意义
资金流是一种反映股票供求关系的指标,是指证券价格在约定的时间段中处于上升状态时产生的成交额是推动指数上涨的力量,这部分成交额被定义为资金流入;证券价格在约定的时间段中下跌时的成交额是推动指数下跌的力量,这部分成交额被定义为资金流出;若证券价格在约定的时间段前后没有发生变化,则这段时间中的成交额不计入资金流量。当天资金流入和资金流出的差额可以认为是该证券当天买卖两种力量相抵之后,推动价格变化的净作用量,被定义为当天资金净流量。
有效市场假说的概念是说证券价格已经能够完全反映所有可获得的信息,即在有效的证券市场中,不论选择何种证券,投资者只能获得与证券风险相当的正常收益。然而完美的有效市场存在的可能性是很小的,同样对于中国证券市场而言,市场并不十分有效,并且股价在短期内可能受到某些消息的影响,或者某些市场内在因素的改变从而产生剧烈波动带来的差价投资机会,因而在市场中经常存在交易性机会,从而在量化投资选股方面也有很多种选股策略,根据资金流选股便是其中一种。
资金流策略是指根据资金流这一指标进行选股的一种量化投资策略。该模型使用资金流向主要通过衡量当前市场上的股指或股票的资金流入或者流出的状态,从而进一步去衡量未来股票的涨跌情况:如果是资金流入的股票,则股价在未来一段时间可能会上涨;如果是资金流出的股票,则股价在未来一段时间可能会下跌。这样就可以根据资金流向来构建相应的投资策略。
二、资金流策略具体操作及结果分析
(一)资金流策略指标含义及操作步骤
对于资金流向的判断,根据买卖双方的力量对比来衡量。资金流分为流入流出两个方向,如果当前的成交价格在买方,则认为是卖方出卖股票的意愿较强,资金流出;如果当前的成交价格是在卖方,则认为是买方买股票的意愿较强,资金流入。对于资金流的测算,采取日数据计算,即当日价格上涨全部计算为流入,若当日价格下跌则计算为流出。本文采用的选股指标包括:1. 资金流信息含量IC(资金流中有效信息含量),将资金流向标准化,用当天的资金流净额除以当天的股票成交量,即资金流净额/交易额。2. 资金流强度MFP,资金流净额/流通市值,即标准化资金流的强度。3. 资金流杠杆倍数MFL,流通市值/资金流净额,即衡量资金流的撬动效应。
操作步骤:选股策略基于沪深300指数成分股,并将股票按照各指标进行排序,去除数据计算无效的股票;研究的时间从2014年10月1日到2016年8月31日,共6期;组合调整的日期为4月30日(一季报披露完成)、8月31日(二季报披露完成)、10月31日(三季报披露完成);剔除在组合调整日前后长期停牌的股票;组合构建时为等权重;组合构建时股票的买入卖出价格为组合调整日收盘价,若调整日为非交易日,则向前顺延;在持有期内,若某只成分股被调出沪深300指数,不对组合进行调整;将各成分股的季收益率与其相应指标进行合并,去除无效数据;将已合并好的沪深300成分股按照指标按照从高低的顺序排列;分为6组:排名前10的成分股、排名前20的成分股、排名前50的成分股、排名在50~100的成分股、排名在100~200的成分股、排名在200以后的成分股;计算出各组平均季收益率,将各组平均的季收益率与同期沪深300指数的收益率作对比,考察跑赢概率。在2014年10月1日至2016年8月31日共进行了12期组合的调整,不计交易成本。
(二)资金流信息含量假说及检验
1. 资金流信息含量假说
信息无效――回归拟合优度很差
信息泄露――回归拟合优度很好,资金流系数为正
信息反应过度――回归拟合优度很好,资金流系数为负
R■=MFPt,iβ1,j+MFLt,iβ2,j+R■β3,j+αi
其中,R■表示第t期股票i的超额收益率;R■表示第t+1期股票i的超额收益率;β表示各公示因子的回归系数;MFPt,i表示第t期股票i的标准化资金流;MFLt,i表示资金流杠杆倍数。
2. 对资金流信息含量假说的检验
本文以浦发银行(600000)为例,设第t期为2016年3月10日到20日,则第t+1期为2016年3月20日到30日,对于非交易日顺延并剔除无效数据信息;首先计算出第t期的资金流强度MFP和资金流杠杆倍数MFL;然后计算出第t期和第t+1期浦发银行的超额收益率;最后用Eviews进行多元回归分析检验。检验结果如表1所示。
由表1可知,线性回归系数为0.965963,拟合系数为0.933085,接近于1,说明拟合程度很好,第t期的股票超额收益率、资金流强度和资金流杠杆倍数这三个自变量对于第t+1期的股票超额收益率的解释程度很高。
由表2可知,F值为6.97219,F>F0.01(5.64),即方程极其显著,各自变量对因变量有很显著的影响,方差值很小,比较稳定。
由表3可知,资金流信息含量IC的回归系数为-1.05399,与t+1期超额收益率呈负相关,资金流强度MFP的回归系数为257.5974,与t+1期超额收益率呈正相关,资金流杠杆倍数MFL为-4.6E-07,与t+1期超额收益率呈负相关。从而回归方程为:
R■=257.5974MFPt,i-(4.6E-07)MFLt,i β2,j-2.05606+R■+αi
综上所述,当期的超额收益率、资金流强度、资金流杠杆倍数这三个指标对于下一期的股票有着很好的预测效果。
3. 根据资金流信息含量IC选股策略结果
由表4可知,整体上看,资金流信息含量较低的组合表现较好,其中资金流信息含量排名200之后的成分股构成的组合表现较好,记为组合IC(200)。在2014年10月1 日至2016年8 月31 日间,不考虑交易成本,组合IC(200)年化收益率为8.97%,高于同期沪深300 指数的表现。在6期中,组合IC(200)有5期跑赢了沪深300 指数,跑赢概率为83.33%。
(三)资金流强度MFP
1. 根据资金流强度MFP选股策略结果
2. 根据资金流强度MFP选股策略结论
由表5可知,整体上看,资金流强度较低的组合表现较好,其中资金流强度排名200之后的成分股构成的组合表现较好,记为组合MFP(200)。在2014年10月1 日至2016年8 月31 日间,不考虑交易成本,组合MFP(200)年化收益率为10.62%,高于同期沪深300 指数的表现。在6期中,组合MFP(200)有5期跑赢了沪深300 指数,跑赢概率为83.33%。
(四)资金流杠杆倍数
1. 根据资金流强度MFL选股策略结果
2. 根据资金流强度MFL选股策略结论
由表6可知,整体上看,资金流杠杆倍数较低的组合表现较好,其中资金流强度排名100~200的成分股构成的组合表现较好,记为组合MFL(100,200)。在2014年10月1 日至2016年8 月31 日间,不考虑交易成本,组合MFL(100,200)年化收益率为-2.93%,高于同期沪深300 指数的表现。在6期中,组合MFL(100,200)有4期跑赢了沪深300 指数,跑赢概率为66.67%。
三、各策略比较分析
将根据不同指标所选股的结果放到一起进行比较,时间是从2014年10月1日到2016年8月31日,由进一步的比较分析可知,按照低资金流强度选股的策略表现最好,年化收益率达10.62%,在6期的分析中有5期的收益率超过大盘,跑赢概率为83.33%。
四、资金流策略的有效性分析
正因为中国的A股市场不是特别有效的市场,量化投资策略正好可以发挥其纪律性、系统性、及时性、准确性、分散化的优点而不惑国内市场的各种投资机会。相比定性分析,现阶段A股市场的特点更适合采用客观、公正而理性的量化投资风格。股票市场复杂度和有效性的增加已对传统定性投资基金经理的单兵作战能力提出了挑战。相对于海外成熟市场,A股市场的发展历史较短,有效性偏弱,市场上被错误定价的股票相对较多,留给量化投资策略去发掘市场的无效性、寻找超额收益的潜力和空间也就更大。事实上,尽管在国内发展历程较短,从国内已有的采用了量化投资方法并且已经运作了一段时间的基金来看,量化基金可以被证明是适应中国市场的。
本文采用现代计量经济学的方法研究了从2014年10月1 日到2016年8 月31 日间沪深300成分股的情况,探讨了资金流信息含量的预测作用,研究了根据资金流三个指标进行选股所做策略组合的收益情况。主要涉及资金流信息含量IC、资金流强度MFP、资金流杠杆倍数MFL这三个指标,分别根据每个指标进行选股,观察其组合走势情况,得出的主要结论有:第一,资金流信息含量对下一期的股价走势有一定的预测作用;第二,根据上述的三个指标进行选股所做策略,在一定程度上是可以获得超过大盘的收益率。
作为量化投资的一个组成部分――策略指数基金已经发展起来,其中选股策略就包括本文所论述的资金流策略。不仅能够做到有的放矢,而且可以满足投资者不同风险收益偏好的投资需求。
参考文献:
[1](美)罗伯特・A・哈根.金融学――有效市场的反例[M].清华大学出版社,2002.
[2](美)罗伯特・阿诺德,许仲翔,约翰・韦斯特.基本面指数投资策略[M].社会科学文献出版社,2010.
[3]丁鹏.量化投资――策略与技术[M].电子工业出版社,2012.
[4]朱世武.基于SAS系统的金融计算[M].清华大学出版社,2004.
[5]曹立著.透视无形之手――中国证券市场资本流量运动解析[M].深圳出版发行集团海天出版社,2009.
[6]田存志,王聪.证券市场信息非对称问题的理论与实证研究[M].中国社会科学出版社,2013.
[7]陈威杰,蔡志成.数量化投资指标之资金流策略指标研究[J].时代金融,2013(12).
[8]石建辉,基于资金流的股指期货投资策略[J].中国证券期货,2014(01).
中图分类号:TP311 文献标识码:A 文章编号:1009-3044(2008)34-1542-03
The Research and Application of Data Mining Based on AHP
FAN Peng-xuan1, CHEN Song1, SUN Jing2
(1.School of Information Science and Engineering, Chongqing Jiaotong Univ., Chongqing 400074, China;2.Zhengzhou Electronic Information Vocational & Technical College, Zhengzhou 451450, China )
Abstract: Building the data mining algorithms and models is the focus and difficulty of the study in the data mining field. The Analytic Hierarchy Process is a kind of multiple-criterion measures combined quality and quantity to illustrate subjective judgment in quantitative index. Researching and achieving data mining technology that based-on the Analytic Hierarchy Process can further expand the types of Data Mining algorithms and models, and also have a universal meaning to the application of the Data Mining technology.
Key words: Data Mining; the Analytic Hierarchy Process; Data Mining Algorithm; Comparison measuring
1 引言
数据挖掘(Data Mining)即知识发现,是指从大量的、不完全的、有噪声的、模糊的、随机的、实际应用数据库中,提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识[1]。数据挖掘技术伴随着“如何不被海量信息淹没,而是从中发时发现有用的知识、提高信息利用率?”的问题而快速发展并应用起来。数据挖掘是一门汇集统计学、机器学习、数据库、模式识别、知识获取、专家系统、数据可视化和高性能计算等多种学科的新兴交叉学科,它为自动和智能地把海量的数据转化为有用的信息知识提供了有力的手段。
数据挖掘是一个多阶段数据处理过程,一般而言主要包括以下几个步骤[2-3]:1) 确定挖掘目标;2) 建立目标数据集;3) 数据预处理;4) 选择数据挖掘功能;5) 选择适合的数据挖掘算法进行数据挖掘;6) 模式评估。在这个数据处理过程中,如何构建一个适合且有效的数据挖掘算法模型进行有效的数据挖掘是最重要的步骤之一,因此也一直是数据挖掘领域研究的重要和关键问题。
本文探讨了一个已经广泛应用于处理社会、政治、经济、技术等结构较为复杂,决策准则较多而且不易量化的决策问题的层次分析方法在数据挖掘技术中的应用,从而提出一个可应用于数据挖掘的技术,层次分析方法。
2 层次分析方法的原理与步骤
2.1 层次分析法的原理
层次分析法[4-5](Analytic Hierarchy Process简称AHP)是一种定性与定量相结合的方法,它能将决策者对复杂的决策思维过程系统化、模型化、数字化,可解决多目标、多层次、多准则的决策问题。尤其是对于各个评价指标权重因子的确定。其思路主要是:1) 把复杂问题中各种因素通过划分相互联系的有序层次使之条理化;2) 根据对一定客观现实的判断就每一层次的相对重要性给予定量表示;3) 利用数学方法确定表达每一层次的全部元素相对重要性次序的权值;4) 通过排序结果分析、解决问题。
2.2 层次分析法的步骤
层次分析法的过程可以分为以下几个步骤:
1) 建立层次结构模型。根据问题的性质和要达到的目标,将问题分解为不同的组成因素,并按照因素间的相互关联影响以及隶属关系,将因素按不同层次聚集组合,形成一个多层次的分析结构模型。同一层的诸因素从属于上一层的因素或对上层因素有影响,同时又支配下一层的因素或受到下层因素的作用。主要分为最高层、中间层和最底层。其中,最高层:是目标层,表示解决问题的目的,即层次分析要达到的总目标。中间层:包括准则层和指标层,表示采取某一方案来实现预定总目标所涉及的中间环节。最底层:是方案层,表示要选用的解决问题的各种措施、策略、方案等。
2) 构造判断矩阵。任何系统分析都以一定的数据信息为基础。层次分析法的数据信息基础主要是决策者每一层元素的互相重要性给出的判断,即判断矩阵。判断矩阵可以表示上层某一元素所支配的下层有关元素之间的相对重要性。也就是说下层各因素两两比较,那一个比较重要,重要程度如何。为了使决策判断定量化,形成数值判断矩阵,通常采用通常采用A.L.Saaty建议的1-9刻度法。如表1所示。
采用9级标度法给元素赋值构造的判断矩阵一般为A。
■
3) 层次中的单排序。在得到判断矩阵的基础上,可以用数学法求得某一层中某个因素对上一层次某一因素的影响程度,排除次序来。由于判断矩阵本身存在相当的误差,而层次但排序中各因素的权重值,从本质上讲是表达定性的概念,因此可用近似方法来解判断矩阵的最大特征值和特征向量。
4) 用规范几何法求判断矩阵的特征值和特征向量。
① 对判断矩阵每一列规范化■
② 求规范列的平均值■ ,则W=[W1 W2…Wn]T即为所求的特征向量。
③ 计算判断矩阵的最大特征根
■,其中(AW)I表示向量AW的第i个元素。
5) 判断矩阵的一致性检验
在构造判断矩阵的过程中,通过引入1~9标度法,是定性问题定量化。从理论上分析得到:如果判断矩阵是完全一致的成对比较矩阵,应该有bikbkj=bij,但实际上在构造成对比较矩阵时要求满足上述众多等式是不可能的。因此只要求判断矩阵有一定的一致性。即要求判断矩阵的绝对值最大的特征值和该矩阵的维数相差不大。检验其一致性的步骤如下:① 计算一致性指标CI=(λmax-n)/(n-1), λmax为判断矩阵的最大特征值。② 计算平均随机一致性指标 CR=CL/RI,式中RI表示同阶平均随机一致性指标,它只与矩阵阶数有关。
6)层次总排序
计算组合权向量并做组合一致性检验。计算最下层在准则层度量下对目标层的组合权向量,并根据公式做组合一致性检验,若检验通过,则可按照组合权向量表示的结果进行决策,否则需要重新考虑模型或重新构造那些一致性比率较大的成对比较阵。层次总排序需要从上之下逐层进行。
3 基于层次分析法的虚拟投资项目数据挖掘应用
现在我们假设某公司拥有一笔投资资金,目的是选择合适的投资项目,以期获得最大的受益。我们可以用层次分析法来分析各个项目的投资与收益比,从而选择最佳的投资方案。
3.1 层次分析法对投资项目的层次结构数据分析
首先进行系统分析。目标层“最优项目”。准则层为总投资额、全部投资财务内部收益率、自有资金财务内部收益率、贷款偿还期、投资回收期、专家对项目风险评价、盈亏平衡点。方案层为投资项目1、投资项目2……、投资项目n。
3.2 层次分析法的投资项目数据挖掘
假设以下为待选投资项目的各方面基本情况[6]。(假设数据,如下表2)
表2 项目基本情况
■
1) 目标层与标准层
经专家比较法得以下“总投资额I1,收益率I2,利润率I3,贷款期I4,投资回收期I5,盈亏平衡点I6,风险预测I7 ”构造判断矩阵如表3所示。
λmax=■■=7.01369 CI=0.00228
CR=CI/CR=0.00228/1.32=0.00173<0.1(一致性通过)
2) 准则层对方案层“项目1、项目2、项目3、项目4、”的判断矩阵按照以下原则确定判断矩阵。
① 总投资额(表4为投资额判断矩阵)
λmax=■■=4.031CI=0.0103
CR=CI/CR =0.0103/0.9=0.011482<0.1(一致性通过)
同样的方法可计算得
② 内部收益率 CR=CI/CR =0.0103/0.9=0.011482<0.1(一致性通过)
且其特征向量 W=[0.76 2.21 0.45 1.32]T
③ 利润率 CR=CI/CR =0.0103/0.9=0.011482<0.1(一致性通过)
且其特征向量 W=[0.76 2.21 0.45 1.32]T
④ 贷款期 CR=CI/CR =0.0103/0.9=0.011482<0.1(一致性通过)
且其特征向量W =[1.32 0.76 2.21 0.45]T
⑤ 投资回收期CR=CI/CR =0.0103/0.9=0.011482<0.1(一致性通过)
且其特征向量 W =[2.21 0.76 1.32 0.45]T
⑥ 盈亏平衡点CR= CI/CR =0.0103/0.9=0.011482<0.1(一致性通过)
且其特征向量W=[0.76 1.32 0.45 2.21]T
⑦ 风险预测CR=CI/CR =0.0103/0.9=0.011482<0.1(一致性通过)
且其特征向量W=[1.32 0.76 2.21 0.45]T
3) 总排序V
总排序表如表5所示。
CI=■WjCIj=0.07818RI=■WjCIj=6.831 CR=CR/RI=0.01144<0.1(一致性通过)
采用此层此分析法的数据挖掘结果表明,相对于选择最佳方案这个目标而言,相对优先顺序为:
项目2 > 项目3 > 项目4 > 项目1
综合以上分析,我们可得出项目2为最优方案,接下来依次是项目3、项目4和项目1。从而验证了层次分析法对此投资项目财务评价数据挖掘的有效性。
4 结论
近几年来,数据挖掘的研究和应用成为计算机领域富有挑战性的问题,各种挖掘方法层出不穷,优秀的挖掘算法可以给人们带来巨大的经济效益,使用户在激烈的竞争中立于不败之地。数据挖掘的主要步骤是建立数据挖掘模型算法进行知识发现的过程。论文验证了层次分析方法在数据挖掘中的的可行性及一致性。在数据挖掘过程中,基于层次分析方法的模型数据构建还需要进一步的提高,具体表现在数据层次的关联性,数据层次的分类等等。数据挖掘一开始就是面向应用的,其主要作用也在于其与现实结合的紧密性,随着经济技术的发展,数据挖掘也必将在未来获得越来越多的应用和并对经济发展与技术进步产生巨大的功效。
参考文献:
[1] 张云涛,龚玲.数据挖掘理论与技术[M].北京:电子工业出版社,2004.
[2] 黄解军,潘和平.数据挖掘技术的应用研究[J].计算机工程与应用,2003(2):78-81.
[3] 张云涛,龚玲.数据挖掘理论与技术[M].北京:电子工业出版社,2004.
2基于层次分析法AHP证券投资基金业竞争力各权重的确定
层次分析法(AHP)是系统工程中对非定量事件一种评价分析方法。它首先将复杂问题层次化。根据问题和要达到的目标,将问题分解为不同的组成因素,并按照因素间的相互关联以及隶属关系将因素按不同层次聚集组合,形成一个多层次的分析结构模型。根据系统的特点和基本原则,对各层的因素进行对比分析,引入1~9比率标度方法构造出判断矩阵,用求解判断矩阵最大特征根及其特征向量的方法得到各因索的相对权重。基于AHP的中国证券投资基金业可按以以下步骤进行(:1)构建风险评价指标体系;(2)两两比较结构要索,构造出所有的权重判断矩阵;(3)解权重判断矩阵,得出特征根和特征向量,并检验每一个矩阵的一致性。若不满足一致性条件,则要修改判断矩阵,直到满足为止。计算出最底层指标的组合权重。
2.1确定综合评估体系按照AHP计算方法的要求建立竞争力评价指标体系,即层次结构模型。通常该模型由目标层(最高层)、准则层(中间层)和指标层三个层次组成。本文将证券投资基金业竞争力分为准则层和指标层两个层次的综合评价指标体系,如图所示。
2.2以A层为例确定其指标体系的权重(1)A层次权重确定对应图评价体系,逐一构造判断矩阵,求出权重系数。下面以A层为例确定其A层因素对最高层O层的权重,其它各层应用同样的原理即可求出相应下层对上一层的权重。
2.3组合权重的计算在计算了各级指标对上一级指标的权重以后,即可从最上一级开始,自上而下的求出各级指标关于评价目标的组合权重。最终经过总体一致性检验的证券投资基金业竞争力各指标权重如表5所示。
3证券投资基金业竞争力评价
将2013年数据归一化处理后,根据归一化的上下限及权重综合计算中国基金业竞争力量化处理后的结果为0.63,这表明中国证券投资基金业竞争力的总体水平较好,但较好层次中较差的水平,差距主要来自于产业创新与市场开放度不足上。