基于技术分析视角下证券投资交易的研究方法综述

徐晟皓,王长飞

(中山大学 管理学院,广州 510275)

基于技术分析视角下证券投资交易的研究方法综述

徐晟皓,王长飞

(中山大学 管理学院,广州 510275)

技术分析方法一直是现代学术界争相探讨的话题。本文在文献回顾的基础上,对国外的技术分析方法在证券投资交易领域的发展实践、内涵及基本架构进行了详尽的回顾和分析,并将现代学术界对证券投资交易方法的技术分析研究进行分类,将文献梳理分为平均数法、技术指标法、软计算法三大类进行述评,最后在国内对技术分析方法研究不足的基础上提出了未来有可能的研究方法和研究方向。

技术分析；证券投资交易；平均数法；技术指标法；软计算法

0　引言

相比于以公司经营状况、财务理论为根基，从产生起便很快被学术界所认同的基础分析（FundamentalAnalysis），同样在金融实务界有着广泛应用的技术分析（Technical Analysis），却因为理论根基的缺失而长期受到学术界的质疑。但是，从20世纪60年代中期，1965年Samuelson和1966年Mandelbrot分别提出了鞅（Martingale）的古老金融资产价格的模型后，开始引发学者们对技术分析领域的关注。进入20世纪80年代，“日历效应”“过度反应”“动量效应与反转效应”等金融“异象”被发现，进一步使得有效市场假说的理论框架受到前所未有的冲击。从而，技术分析的研究不断得到学术圈的广泛关注与研究。

技术分析注重的是对反映市场交易行为的商品价格的研究，希望从资产成交价和交易量的历史数据中捕获资产价格未来的走势。如今，在金融证券投资交易领域，学术界更是采用各种技术分析方法来研究交易趋势及其变化，可谓技术分析方法种类繁多，形式多种多样，并导致对技术分析方法的应用较为混乱，因此有必要对技术分析视角下证券投资交易研究方法进行系统性的梳理和评述，这对完善证券投资交易体系具有重要的意义。

1　研究方法综述

2004年Park等人，将基于技术交易系统领域的交易成本、风险、数据窥测、参数最优化以及采用的统计分析等方面列为技

1.1平均数法在证券投资交易中的应用

平均数法在证券投资领域的应用主要包括简单移动平均、平均动向指数、平滑异同移动平均及基于移动平均操作的其他方法等。其中平均数法最早在证券市场中的应用是1884年Charles Dow在证券价格平均指数中所观察到的证券价格变动。在随后的研究中，Neftci为了决定技术分析的普及程度是否有一个客观基础，在1991年进行了一项关于技术分析统计特性的调查，并试图根据马尔科夫时序来建立技术分析规则，但是马尔科夫时序本质上是在给定当前知识或信息的情况下，过去的状态对于预测未来是无关的。因此，Neftci考察了150天移动平均数和道琼斯指数之间的关系，并测试了1911-1976年间的道琼斯工业指数，发现移动平均数所产生的马尔科夫时序似乎有一些预测价值。而且，他还回顾了多个其他的技术分析方法，发现其中许多方法并未产生马尔科夫时序，因此得出只有在图表上有效地依托 “看到未来”，才能够生成预测的结论。

1992年Brock等人则利用1897年的第一个交易日到1986年的最后一个交易日的道琼斯工业平均指数的数据对技术交易规则进行测试。作者测试了组合的移动平均线并设计了固定长度和可变长度的持股期以及趋势线策略，并围绕消除价格跨越边界线来回震荡设计了一个百分点的频段。作者的发现对使用技术分析提供了有利支持，特别是使用一个百分点频段的移动平均数策略。此外，还发现了买（卖）信号所产生的收益要比正常收益高（低），而且这些差别并不能够被风险所轻易地解释。最后，作者得出了技术规则具有预测能力的结论。1993年Levich和Thomas使用Bootstrap方法测试了从1976年到1990年期间5种货币的期货合约。他们的研究发现使用简单的过滤规则和多种常用的移动平均指数进行交易获得了超过15年的持续盈利。Levich和Thomas总结得出 “遵循交易规则所产生的盈利趋势强烈表明数据中存在着某种串行依赖形式，但对这种依赖的性质仍然不清楚”。与此同时，1997年LeBaron提出了基于简单移动平均数的交易规则，并利用这个规则对外汇汇率过程进行了标准化测试，并得出该外汇市场不遵循随机游走假说，而且偏差会被简单的移动平均数检测到。2003年Su and Huang结合使用了移动平均线、随机线、平滑异同移动平均线、相对强弱指标和指数移动平均线来确定趋势方向，并取得了很好的结果。综合上述文献可见，国外学者对平均数法的技术分析已具有较丰硕的研究成果。

1.2技术指标法在证券投资交易中的应用

证券投资交易市场中技术指标是指根据价格、交易量等历史数据，通过建立一个数学模型，给出数学上的计算公式，得到一个体现证券市场某个方面内在实质的指标值，常见的指标有相对强弱指标、随机指标、趋向指标、能量潮等，有众多学者在研究中使用了这些技术指标，并在学术界形成一定的理论基础。

1998年PruittandWhite证明了基于累积量、相对强度和移动平均（CRISMA）交易系统的有效性。该交易系统需要交易者买入和卖出的是在交易所上市的认购期权制度明确的证券，并且应符合预定义的规则。这项研究包括了从1976年到1988年的171家公司，并假设可以购买第二最短的成熟期权。实验结果表明，即使在交易成本最大的1988年，该交易系统每回交易的平均回报也有12.05%。此后，2001年Goodacre和Kohn-Speyer使用1988-1996年间的美国数据对CRISMA交易系统的有效性进行了重新检测。发现该系统的性能随着时间的推移而出现了不稳定，而且一旦考虑了市场运动、风险和交易成本时，该系统将不会再获利，最后得出了与市场有效相一致的结论。

2000年Lee和Swaminathan则研究了价格动量和交易量。他们发现过去的交易量可以预测价格动量的幅度和持续时间，即过去的交易量有助于缓和中期区间反应不足和长期区间过度反应的影响。2004年Demir等人研究了在澳大利亚股票市场应用动量策略所取得的收益回报情况。他们发现相比于其他市场，动量策略在澳大利亚市场更加的流行并可获得更多的收益，同时该策略所产生的回报会随着时间的推移而愈加稳健且获利性更强，而且所观察到的收益不能被规模和流动性所解释。

1.3软计算法在证券投资交易中的应用

软计算是指通过对不确定、不精确及不完全真值的容错来取得低代价的解决方案和鲁棒性。它模拟自然界中智能系统的生化过程来有效处理日常工作。软计算包括人工神经网络、遗传算法、模糊逻辑等。其中软计算方法在证券投资交易中的应用更为广泛。

在人工神经网络方面：1988年White考虑了在一个持续期内使用神经网络来预测IBM公司普通证券价格的日回报。White没有找到任何与有效市场假设相违背的证据。它注意到采用后向传播的神经网络方法可以有效地降低训练中的错误，然而利用优化利润的方式来寻找反驳EMH的证据时，却并未通过使用神经网络获得直接证据。1991年Jang等人建立了两个神经网络来学习价格运动趋势和随机指标之间的相关性。一个网络采用了12天移动窗口，而另一个网络采用的是最近交易季的过滤数据。最后的输出设为两个网络输出的加权总和。此外，基于模型预测的准确性，并利用自适应权重调整算法对权重进行了调整。该文中的集成的观念就是对从两个不同视角所得到的结果进行加权输出，其中一个是短期趋势视角，而另一个是长期趋势视角，这个加权输出在台湾股市中获得了很好的市场回报。继这项研究后，研究者们进一步证实了利用集成移动平均的平滑预测方法会产生更为优越的交易结果。

在遗传算法方面：1997年Neely等人使用遗传算法寻找到有效交易规则并研究了1981-1995年间的6种外汇汇率。他们的这种规则发现类似于那些技术性投资者所使用的规则，而且这些规则在经济上产生了显著的样本外收益回报。此外，他们并没有发现能够证实该额外收益是由风险所引发的证据，同时通过自举过程，利用那些交易规则检测到了没有被标准统计模型所捕获的数据模式。Neely等人把这些结果看作是市场低效率性的可信证据。2002年Skabar和Cloete使用了一个基于权重的遗传算法优化程序来训练神经网络，并针对道琼斯指数进行了检测，得到的结果显著优于本来所预计的随机价格序列。

在模糊逻辑方面：1997年Chou等人提出了将包含大量技术分析指标的系统和模糊逻辑规则相结合，并基于此建立了一个感应树系统。利用台湾市场1990年1月至1995年4月的数据对该系统进行了检验，即将输出结果与买入并持有策略以及当时台湾的四大封闭式基金进行了比较，结果表明该系统优于买入并持有策略，且优于当时那四支基金，但奇怪的是该系统在1994年却表现不佳，此文将其归咎于这一年市场中“人类的影响”。2002年Dourra和Siy的文章，他们在技术分析系统中建立了一个模糊逻辑解释后端。该系统首先确定了各种技术分析指标的值，然后使用模糊逻辑将技术分析的输出值量化成隶属度集合，并用于模糊逻辑解释。因此，系统评估专家只需将数值定义为“大”“小”等规则，而无需描述实际的数值。最终，系统得到了非常好的结果，利润远超标准普尔500指数的收益回报。

在综合方面：众多的学者也结合神经网络、遗传算法和模糊逻辑等综合算法进行了研究。2002年Thawornwong等人发现，神经网络和遗传算法集成系统所获得的收益超过了使用ARIMA，MACD和买入并持策略所产生的收益，同时也提出了过度交易会产生负收益的疑问。2004年Simutis和Masteika提出了一个成功的模糊神经遗传算法，该算法利用基于价格变动和成交量变动的技术输入变量，通过检验从1992年初始至2002年底的标准普尔500指数而取得了非常好的结果。2005年Versace等人利用遗传算法来选择集成神经网络的构造参数，并在整个检测集合中对集成系统的训练表明预测向上/向下的准确率具有很高的水平。当然还有一些文献结合遗传算法和神经网络对证券交易进行研究。

2　结论与展望

本文在对国外文献回顾的基础上，对技术分析视角下证券投资交易研究方法进行了系统性的梳理和评述，并将研究方法分为平均数法、技术指标法、软计算法3大类，这有助于研究者从单个研究方法的困惑中解脱出来，从整体上对证券投资交易研究方法有一定的了解。

同时可知，目前国外在证券投资交易研究领域，基于技术分析的研究已经形成了很多方法，这些方法主要从历史数据维度来预测未来投资交易，并从不同的角度刻画投资交易的特点，对证券投资交易研究具有重要的意义。

我国证券市场发展较晚，国内在这方面的研究相对国外要滞后一些。近年来，国内金融市场的快速发展，对证券投资交易的研究也取得很大的进步，然而大部分研究仅侧重于采用技术指标或神经网络来实现，进而依据所识别的基本变量的阈值来决定证券投资交易，此时会导致证券投资的不确定性和风险性。

因此，为更加清楚地了解技术分析视角下我国证券投资交易研究的现状，从中吸取成功的经验，并发现当前存在的问题，进而根据中国独特的情境，提出中肯的建议，本文系统性地梳理了2000年以来发表在主流期刊上的证券投资交易研究文献①，如表1所示。在梳理的过程中，发现中国学术界在技术分析这方面还是比较欠缺的，主要体现在：研究证券投资交易领域的学者少，研究文献也相对较少；国内学者多采用国外成熟的技术分析方法，创新性比较少；部分技术分析方法，并未充分考虑政府政策指导等因素，国内技术分析体系还有待完善。但是，就目前中国金融市场发展的前景看，中国证券投资交易市场容量大，范围广，证券投资交易研究是非常有潜力的。

表1　主流期刊证券投资交易研究文献

针对中国证券投资交易在技术分析方面的欠缺，①就学术界而言，可以深入探讨证券交易动态过程，以获取有洞察力的见解，加强理论、技术分析创新；加强跨层面议题研究，使研究获得更全面、更符合现实的发现，进而将理论与实际联系起来。②进一步发展和完善国内证券市场。如建立规范、高效的证券市场体系；积极扩大证券市场容量，适应企业融资需求；深入研究证券市场合理运作机制等。③在未来证券投资交易研究的问题上必然还会出现多种新的技术分析方法，但未来的研究趋势应该更侧重于将交易的即时性与交易的价格结合起来，这还有待进一步的深入研究。

主要参考文献

①目前，国内证券投资交易成果主要发表在证券期刊及经济管理类期刊，本文主要以A类期刊为主，并添加其他证券投资类期刊。本文选择文献的主题词（′证券′+′证券预测′+′证券投资′+′证券交易′+′证券价格′+′股票预测′+′股票投资′+′股票交易′+′股票价格′+′股票期货′+′股票期权′+′债券预测′+′债券投资′+′债券交易′+′债券价格′）*（′技术分析′+′技术有效性′+′量化分析′+′量化金融′+′程序化′+′移动平均′+′技术指标′+′人工神经网络′+′遗传算法′+′模糊逻辑′），从中国知网上选择文献进行系统梳理。

［1］W Brock，J Lakonishok，et al.Simple Technical Trading Rules and the Stochastic Propertiesof Stock Returns［J］.Journal of Finance，1992，47 （5）：1731-1764.

［2］SC T Chou，H JHsu，et al.A Stock Selection DSS combining AI and Technical Analysis［J］.AnnalsofOperations Research，1997，75：335-353.

［3］IDemir，JMuthuswamy，etal.Momentum Returns in Australian Equities：The Influences of Size，Risk，Liquidity and Return Computation［J］. Pacific-Basic Finance Journal，2004，12（2）：143-160.

［4］H Dourra，PSiy.InvestmentUsing TechnicalAnalysisand Fuzzy Logic［J］. Fuzzy Setsand Systems，2002，127：221-240.

［5］T A E Ferreira，G C Vasconcelos，et al.A Hybrid Intelligent System Approach for Improving the Prediction of Real World Time Series［C］. Congresson Evolutionary Computation，2004.

［6］A Goodacre，T Kohn-Speyer.CRISMA Revisited［J］.Applied Financial Economics，2001，11（2）：221-230.

［7］G Jang，F Lai，et al.An Intelligent Trend Prediction and ReversalRecognition System using Dual-Module Neural Networks［C］.First International Conference on Artificial Intelligence Applications on Wall Street，New York，1991.

［8］C Lee，B Swaminathan.Price Momentum and Trading Volume［J］.The Journalof Finance，2000（5）.

［9］R Levich，LThomas.The significance of Technical Trading Rule Profits in the Foreign Exchange Markets：A Bootstrap Approach［J］.Journal of InternationalMoneyand Finance，1993（12）：451-474.

［10］CNeely，PWeller，etal.Is Technical Analysis in the Foreign Exchange Market Profitable？A Genetic Programming Approach［J］.Journal of Financial&QuantitativeAnalysis，1997，32（4）：405-426.

［11］S N Neftci.Naive Trading Rules in Financial Markets and Wiener-Kolmogorov Prediction Theory：A Study of′Technical Analysis′［J］. JournalofBusiness，1991，46：549-571.

［12］Park C H，Irwin SH.The profitability of technical analysis：A review ［J］.Urbana，2004，51.

［13］S Pruitt，R White.The CRISMA trading system：Who says technical analysis can′tbeat themarket［J］.Journal of Portfolio Management，1998 （Spring）：55-58.

［14］R Simutis，SMasteika.Intelligent Stock Trading Systems Using Fuzzy-Neural Networks and Evolutionary Programming Methods［J］.Salf Formatin Theorgand Applicationg，2004（97）：59-63.

［15］A Skabar，ICloete.Neural Networks，Financial Trading and the efficient markets hypothesis［C］.25th Australasian conference on Computer Science，Melbourne，Australia，Australian Computer Society，2002.

［16］SFSu，SR Huang.Applications of Model-Free Estimators to the Stock Market with the Use of Technical Indicators and Non-Deterministic Features［J］.Journal of the Chinese Institute of Engineers，2003，26（1）：21-36.

［17］SThawornwong，DEnke，etal..Genetic Algorithmsand NeuralNetworks for Stock Trading Prediction and Technical Signal Optimization［C］. Decision Sciences Institute2002 AnnualMeeting，2002.

［18］M Versace，R Bhatt，et al.Predicting the Exchange Traded Fund DIA with a Combination of Genetic Algorithms and Neural Networks［J］. ExpertSystemswith Applications，2005，27（3）：417-425.

［19］X YWang，ZOWang.Stock Market Time Series Data Mining Based on Regularized Neural Network and Rough Set［C］.2002 International Conferenceon Machine Learningand Cybernetics，Beijing，2002.

［20］HWhite.Economic Prediction using Neural Networks：The case of IBM Daily Stock Returns［C］.Second Annual IEEE Conference on Neural Networks，1988.

［21］董保宝.创业研究在中国：回顾与展望［J］.外国经济与管理，2014，36 （1）：73-80.

［22］刘海龙，仲黎明，吴冲锋.股票流动性度量方法［J］.系统工程理论与实践，2003，23（1）：30-32.

［23］母泽洪，周剑.公司资本结构的证券设计理论综述［J］.经济学动态，2011（9）：146-149.

［24］攀登，施东晖，曹敏.中国个人投资者采用股价趋势交易策略的经验研究［J］.世界经济，2003（11）.

［25］杨丽，高风.模糊组合神经网络智能选股模型的建立［J］.控制工程，2008，15（增）：97-99.

［26］禹建丽，孙增圻，ValeriKroumov，等.基于BP神经网络的股市建模与决策［J］.系统工程理论与实践，2003（5）：15-19.

［27］曾勇，李平，王志刚，等.组合证券投资与资本市场研究［M］.北京：科学出版社，2007.

10.3969/j.issn.1673-0194.2015.11.084

F832.48

A

1673-0194（2015）11-0141-04

2015-04-05术分析的主要研究范围，并将技术分析领域的经典研究分为两大类：早期研究与现代研究。但由于早期与现代研究的边际定界模糊，且在技术分析的研究中，风险评估、交易利润的统计分析以及数据窥测等问题往往都不可分割，同时由于2004-2015年，学术界对技术分析领域的研究再一次呈现爆发性增长，尤其是对股票市场和外汇市场的研究热情空前高涨。因此在本研究中，通过对技术分析方法在证券投资交易领域的发展实践、内涵及基本架构的分析，以及在相关文献分类总结的基础上，对现代国外学术界对证券投资交易方法的研究进行分类，本文主要归纳总结为以下3种。