论文部分内容阅读
指数化投资能够充分分散非系统性风险、获得市场平均收益，且费用低廉，因此，指数化基金、股指期货、ETF等指数产品在中国一经推出就得到了迅速发展。指数跟踪作为指数化投资的具体管理形式，可以有效的指导股指期现套利、指数投资产品的设计等，因此本文提出了基于Lasso类方法的指数跟踪方法构建股票组合，对目标指数进行有效跟踪。处理高维模型选元的Lasso类方法不但运算简单，可以用于高维股票数据，且可以同时完成投资组合中成分股的选取与权重系数的估计问题，因此本文详细叙述了Lasso、Adaptive Lasso、Relaxed Lasso三种方法的相关理论，比较了他们的优缺点，并从Lasso类方法的算法实现、调整参数选择两方面做了系统的阐述。在实证研究中，借助R语言编程，设计了如何用Lasso类方法构建跟踪组合，并以沪深300指数为跟踪目标，对2012年到2014年522个交易日数据进行建模，最后从样本外区间和样本内区间对跟踪效果进行了评价。实证结果显示：(1)从整体看，采用Lasso类方法构建的股票组合均取得了不错的跟踪效果；(2)成分股越多跟踪效果越好，但考虑交易成本与维护成本等，股票数量不易过多；(3)在Lasso、Adaptive Lasso与Relaxed Lasso三种方法中，Adaptive Lasso在指数跟踪问题中有明显的优势，首先从权重系数方面看，Adaptive Lasso方法得出的权重分布无明显的集中趋势，相对比较均匀，其次从跟踪误差方面看，Adaptive Lasso方法无论在样本内还是样本外，无论是30只股票还是100只股票，都取得了三种方法中最好的跟踪效果；(4)从金融角度来看，用小规模证券跟踪模拟指数走势具有很强的不稳定性，但Adaptive Lasso构建的30只股票，系数权重分布较均匀，且考虑到交易费用低等因素，对于小型投资者来说，当证券市场较为稳定时，是值得一试的；(5)AdaptiveLasso短期至中期的预测效果较好，但长期预测失效，建议样本外区间不要超过150天。