我国A股股票市场有效前沿实证研究

2023-01-31 来源：好走旅游网

我国A股股票市场有效前沿实证研究

①

光大保德信基金管理有限公司上海财经大学证券研究中心

联合研究

①

本课题组成员：林昌、傅德修、金德环、韩其恒、袁宏隆、冯传清

内容摘要

马科维茨1952年在《财务杂志》上发表了具有历史意义的文章——《资产组合选择》，系统地阐述了证券收益和风险分析的基本原理和主要方法，建立的均值-方差模型的框架无疑是众多的资产组合管理领域中最重要的理论。有效边界就是由所有的有效组合在风险-收益平面上所形成的曲线，投资者可以根据自己的收益偏好，在有效边界上选择其资产组合。本文从不同的资产选择，收益和风险的计量入手，探究在中国股票市场上采用投资组合理论的实证结果，以期对实物操作提供借鉴。

第一章是论文的导论。对选题的背景和意义、研究方法与研究思路、以及数据来源作了简要的介绍。

第二章是文献综述。介绍了资产分类的方法，计算有效前沿的五种模型，以及研究成果。

第三章是因素分类与实证结果。利用因素模型进行资产分类，并给出了均值-方差，均值-VaR模型，均值-CVaR模型，均值-DCC-GARCH和AR（1）- DCC-GARCH模型的实证结果。

第四章是行业分类与实证结果。利用行业进行资产分类，并给出了均值-DCC-GARCH模型的实证结果。

第五章是行业市盈率分类与实证结果。利用行业和市盈率进行资产分类，并给出了均值-DCC-GARCH模型的实证结果。

第六章是实证结果总结。最后是附录

内容摘要 .......................................................... 2 目录 .............................................................. 3 一、导论 .......................................................... 5 1.1 选题的背景和意义 ................................................ 5 1.2 研究方法和研究思路.............................................. 6 1.3 数据来源 ........................................................ 6 二、文献回顾 ...................................................... 7 2.1 资产分类的文献回顾 .............................................. 7 2.2 有效前沿文献回顾 ................................................ 8 2.3业绩评估 ....................................................... 14 三、因素分类与实证结果 ........................................... 14 3.1 因素分类与资产业绩 ............................................. 14 3.2 均值-方差模型 .................................................. 16 3.3 均值-VAR模型 .................................................. 20 3.4 均值-CVAR模型 ................................................. 22 3.5 均值-DCC-GARCH模型 ............................................ 24 3.6 AR（1）- DCC-GARCH模型 ........................................ 27 3.7 模型模拟业绩的比较 ............................................. 30 3.8结论 ........................................................... 34 四、行业分类与实证结果 ........................................... 35 4.1行业分类与资产业绩 ............................................. 35 4.2均值-DCC-GARCH模型............................................. 37 4.3 结论 ........................................................... 40 五、行业市盈率分类与实证结果 ..................................... 41 5.1 行业市盈率分类与资产业绩 ....................................... 41 5.2均值-DCC-GARCH模型............................................. 43 5.3结论 ........................................................... 47

六、实证结果总结 ................................................. 48 参考文献 ......................................................... 49 附录 ............................................................. 53

一、导论

1.1 选题的背景和意义

投资组合管理（portfolio management）是指考虑投资者对风险和收益的偏好，使得财富按合适的比例在市场上进行资产配置，以实现投资者效用极大化的目标。

1952年马科维茨在《财务杂志》上发表了具有历史意义的论文《资产组合选择》，1959年又出版了同名专著，阐述了证券收益和风险分析的主要原理和基本方法，建立的均值-方差模型的框架无疑是众多的资产组合管理领域中最重要的理论，为投资组合后来的发展奠定了牢固的理论基础和研究基石。马科维茨根据他的假定和西方经济学的效用理论，分析指出：投资者的行为将是一个寻找有效组合的过程。所谓有效组合，是指该证券组合与其他证券组合相比，在同样的风险水平下，具有最高的收益率，或者在同样的收益水平下，具有最小的方差。而有效边界就是由所有的有效组合在风险-收益平面上所形成的曲线，投资者可以根据自己的风险偏好，在有效边界上选择其资产组合。资产组合理论传递了一个重要的信息，即资产选择不能仅仅依据资产本身的某一特征，还必须考虑到该资产与其他资产之间的相互关系，也就是说，考虑资产之间相互作用而构建的资产组合，在期望收益率相同的条件下，通过分散化的投资来对冲部分风险，使其风险降低，从而避免“把所有的鸡蛋放在同一个篮子里”的风险。

由于组合投资在有效市场上具有个别资产投资所不具有的优越性，那么在发展中的中国股票市场应该如何构建一个分散的投资组合，使得在给定目标收益率的条件下，尽可能地降低投资风险？这样构建的动态有效前沿的实证业绩又如何呢，是否为一个更合理、更有效的组合？本文将从实证的角度，利用定量的方法研究中国股票市场的有效前沿，以此为广大投资者，特别是基金管理公司的市场运作提供理论和实践借鉴。

相对于以往研究，本文研究的时间段长，包括沪深两市所有股票，资产分类方法比较全面，包括因素分类和行业分类，计算有效前沿的模型也比较全面，有五种模型，另外针对9个给定的目标收益率，利用滚动策略给出了各种组合投资方案的实证结果，并进行了比较，这是本实证研究的独特之处。

1.2 研究方法与研究思路

在回顾和总结国内外在有效前沿理论和实证研究成果的基础上，本文以定量分析为主，研究的具体步骤为：（1）对沪深两市的股票进行资产分类；（2）计算资产在样本期1997年01月至2007年12月间的业绩，在检验期2000年01月至2007年12月间的业绩；（3）根据计算有效前沿的模型，计算出资产在检验期2000年01月至2007年12月间的动态均值和动态风险；（4）计算不允许卖空条件下的

动

态

有

效

边

界

；（

）

给

定

目

标

收

益

率

[0.10,0.15,0.20,0.25,0.30,0.35,0.40,0.45,0.50]/12，计算检验期资产的平均投资比例；（6）利用滚动投资策略，得到给定目标收益率的模拟业绩；（7）根据收益、风险和Sharp系数对模拟业绩进行评估。

本文使用的资产分类方法包括因素分类法，行业分类法和行业市盈率分类法，计算有效前沿的方法包括均值-方差模型，均值-VaR模型，均值-CVaR模型，均值-DCC-GARCH模型和AR（1）- DCC-GARCH模型。

1.3数据来源

本文以上海证券交易所和深圳证券交易所交易的所有A股股票为研究对象，时间跨度从1997年1月2日到2007年12月28日，总共2653个日交易数据。之所以选取1997年1月2日为起始日，是因为1997年1月2日之后我国证券市场的弱式有效性大为提高，另外在这段时期中，我国股市既有长期的低迷，也有持续的高涨，因此对这一样本区间进行实证研究具有比较典型的意义。截止到2007年12月28日，两市共有1497只股票。

实证研究中共需要使用四部分数据：第一，沪深两市的股票数据。沪深两市的股票价格、市盈率、市静率、流通市值以及成交量数据均来自于天相数据库，其中所有股票价格均采用向前赋权，对分红、配股、增发等事件做出了调整。第二，ST股票。ST股票的资料来自于万德数据库。第三，行业数据。对行业的分类，参照中国证监会采用的分类法。资料来源于万德数据库。第四，无风险资产的收益率。无风险收益率采用银行间7天同业拆借利率，数据来自于中经网统计数据库。

二、文献回顾

2.1 资产分类的文献回顾

2.1.1 Fama-French的因素模型

Markowitz在1952年创立了投资组合理论，并且对现代金融理论及其应用产生了很大的影响，Sharp (1964)的资本资产定价模型给出了风险和收益之间的权衡关系，然而，许多研究表明横截面数据中的股票期望收益率与市盈率、市净率以及规模等有着密切的相关性。

在国外证券市场，Ball (1978)发现股票期望收益率与市盈率负相关，Stattman（1980）发现股票期望收益率与市净率负相关，Fama和French（1992）的实证结果表明市净率以及规模有助于预测股票的期望收益率，并且Fama和French（1997）实证研究了全世界13个主要证券市场的市净率效应，结果表明除去意大利证券市场之外，其他12个证券市场均存在着显著的市净率效应，价值型投资的平均收益率均超过了成长型投资的平均收益率。Elroy Dimson等（2003）利用滚动策略发现1955年至2001年的英国证券市场存在着显著的价值溢价，低市净率与高市净率组合之间的价值溢价很大。Lu Zhang（2005）分析了导致价值股的期望收益率高于成长股期望收益率的原因，通过收益与风险分析，得出了许多横截面收益中的实证结果。

对于中国证券市场，也产生了许多关于横截面股票收益的研究，发现收益与很多因素相关。陈信元等（2001）发现股票收益与市净率和规模显著相关，而与市盈率和β值并不显著相关。黄兴旺等（2002）论证了并不存在市净率效应，陆静等（2002）认为存在着低市净率、低市盈率以及低自由现金流效应，王晋斌（2004）认为中国股票市场存在显著的低市净率价值效应。吴世农等（2004）的研究结果表明，中国A股市场存在市净率和规模效应，并且分析了这些效应的原因。韩其恒等（2007）认为中国股票市场存在显著的市盈率和市净率效应，并且市盈率对股票收益的影响超过市静率对股票收益的影响。

由此，我们以市盈率和流通市值作为解释股票收益的因子，并根据市盈率和流通市值对股票进行分类。这是一种根据资产风格对资产进行分类的方法。

2.1.2 行业分类的文献回顾

行业研究作为股票投资分析中的重要环节，无疑是上市公司业绩的一个重要影响因素。各行业由于其各自的结构、变化规律、所处的环境和生命周期阶段等各不相同，导致其盈利能力的高低、经营状况的稳定程度也各有所不同。因此在不同的宏观经济形势下，各行业的表现如何、相互之间的关系如何是投资者在进行投资决策时所关心的问题之一。

最早的关于行业对股票收益率的影响可以追溯到King（1966）发现行业因素对股价行为具有显著的影响。Livingston（1977）的研究发现高达26%的股票收益率波动可以由行业因素解释。Lessard（1974）考察了各国不同的行业结构对股票回报率的影响。Roll（1992）认为指数构造方法、指数行业构成以及汇率表现是三个引起不同国家指数回报率差异的主要原因，在股票收益率的波动中行业效应可以解释40%的收益率波动。Moskowitz和Grinblatt（1999）认为股票收益率的动量与其所属行业有关。Schwert（2002）发现自1998年中期以来Nasdaq的大公司的非正常波动与这些公司所属的行业有关。

虽然中国股票市场成立至今只有短短十来年的时间，但理论界也对行业对股票回报率的影响进行了一定的实证研究。范龙振、王海涛（2004）利用约束回归分析法对回报率的行业和地区效应进行了横截面和时间序列分析，表明中国股票市场不同行业之间的收益率存在显著差异。劳兰珺、邵玉敏（2004）提出行业指数收益率序列分阶段进行聚类分析的动态分析方法以考察行业间的相互关系及其演化过程。熊胜君、杨朝军（2006）采用同样的方法对股票收益率的行业效应和投资风格效应进行分析，表明中国股票市场均具有明显的行业效应。鞠英利（2007）以沪深300指数股为基础选取了141只股票，把股票分为增长类、周期类、稳定类和能源类后进行选股，构建的投资组合平均收益大于两倍的大盘的涨幅。

我们将根据行业对股票进行分类，另外，还将行业与市盈率结合来作为解释股票收益的因子，根据行业和市盈率对股票进行分类。

2.2有效前沿文献回顾

2.2.1 均值-方差模型

Markowitz的均值-方差模型是使用均值来计量资产的期望收益，用传统的协方差矩阵来计量资产的风险以及它们之间的相关性，其假设条件是资产收益率序列服从正态分布。

国外对于有效前沿的实证研究主要集中在美国市场上，最早可以追溯到1967年的研究。Aslihan altay-salih（2002）研究了伊斯坦布尔股票市场初期积极的策略优于消极的策略。而后的更多的研究是对于均值-方差模型提出的简化模型的改进而提出的有效边界，比如基于离差的投资组合模型，以及上、下模糊可能性投资组合模型等。虽然对马科维茨模型后来的改进能够简化模型，但是马科维茨方法仍然是投资组合理论中最经典的方法之一。

国内对于均值-方差的有效前沿的实证研究方面，徐立新、郭国雄、栾长福（2001）以深圳股市40个成分指数股的交易数据为研究对象，应用马科维茨模型得出各只股票在达到最优组合时所占的比例。郭树华、付庆华（2003）研究表明深圳股市的有效前沿整体上位于上海股市的上方，运用马科维茨资产组合理论可以得到比整个证券市场平均表现更好的证券组合。张炜、曾勇（2006）在对沪市A股10只股票进行再抽样方法及其改进研究中证明，在均值-方差分析中运用再抽样方法进行组合权重修正，能够取得更接近于真实有效边界的再抽样有效边界。徐丽梅、吴光伟（2007）在马科维茨均值-方差模型的基础上创造性的引入了流动性因素，通过构造稳健因子，来构造出以收益、风险和稳健因子所组成的三维空间里投资组合的有效前沿。

国内的研究一般局限在部分股票范围内，在投资选股时具有一定的局限性。

2.2.2 均值-VaR模型

VaR是指在一定的持有期及一定的置信水平下可能的最大损失。自20世纪80年代VaR首次被一些金融公司用于测量交易性证券的市场风险后，VaR已为众多商业银行、投资银行、非金融公司、机构投资者及监管机构所使用和关注。VaR方法在一定程度上改变了投资组合理论在风险度量上的不足, 国内外不少学者将它引入到投资组合理论的研究之中。

Alexander等(1999)考察了VaR风险管理(VaR—RM)环境下的组合VaR约束问题, 即风险管理者受限于要保持期间财富的VaR在一预定的水平。不过, 这些

均值—VaR研究都没有将VaR—RM融入基于均值—方差偏好的最优化中, 只是比较了这两种方法, 建立了均值—方差和均值—VaR有效前沿之间的联系。Das和Uppati (1999)在发展国际组合选择模型时, 通过对组合额外峰态施加一上界来限制投资者组合收益的分布, 他们将这一约束解释为投资者施加于组合VaR的隐含限制。

国内方面，姚京、袁子甲、李仲风(2002)在一般的分布假设下建立了基于VaR的均值风险模型和资本资产定价模型, 并得出了两基金分离、有效边界、证券市场线等一系列结论，还通过实证研究说明不同分布假设对金融决策的影响。安起光、王厚杰、张文清 (2005)在证券收益率服从正态分布的前提下，建立了包含无风险证券投资组合的机会约束下的均值—VaR模型,讨论了最优解的存在性和惟一性,并在均值—VaR模型有效边界的基础上引入机会约束,从而得到了最优解均值的解析表达式。

本文将利用历史模拟法来计算VaR，但是计算中存在由于VaR曲线参差不齐导致无法寻出全局最小点的问题。Alexei A. Gaivoronski和Georg Pflug指出SVaR（Smoothed VaR）方法可以很好的改善这一问题，他们认为，如果我们在计算VaR值的时候把实际值周围的数据考虑进来，然后将它们的加权平均值作为VaR的输出结果会在一定程度上解决这一问题。

设i(i1,..,t)为第i期n种资产的历史收益向量（在我们的研究中t60），x为满足组合收益率约束的组合权重。对于特定样本容量t和特定置信水平（研究中取95%），定义t95%。而SVaR方法下VaR的优化值为：

V(,x)ci(x)xTi

i1t其中，各期所对应的权重ci(x)应满足如下的条件： 1. 对于所有0，ci(x)均二阶可导。

2. 对于所有非真实的xTi值，当0时ci(x)0。 3. 当时，ci1/t。 4. i1ci1

t 10

选取适当的ci(x)函数，得到平滑修正的VaR值。通过实证检验，平滑后即SVaR的数学性质的确得到改善。

2.2.3均值-CVaR模型

CVaR是Conditional Value-at-Risk的缩写，通常译为条件风险价值，也可称为平均超额损失(Mean Excess Loss )、平均短缺(Mean Shortfall)，是由Rockafeller和Uryasev提出的风险计量技术，其含义可解释为:在一定的置信水平下，损失超过VaR的潜在价值，更为精确的讲就是指损失超过VaR的条件均值，反映了超额损失的平均水平。它具有VaR的优点，同时在理论上又具有良好的性质，如次可加性、凸性等。

Rflung G Ch(2000)从定义、性质、计算等方面对VaR和CVaR的优劣进行了比较研究。刘小茂、李楚霖、王建华(2005)讨论了正态情形下风险资产组合的均值—CVaR有效前沿，探究了其经济含义，并与经典的均值—方差有效前沿进行了对比研究。刘志东 (2006)在正态分布假设条件下，证明了均值—VaR、均值—CVaR有效前沿是均值—方差模型的简单变换；当不存在无风险证券时，基于均值—CVaR准则的有效前沿是基于均值—VaR有效前沿的一个子集，后者又是均值—方差准则有效前沿有一个子集；当存在无风险证券，并且置信水平满足特定的条件时，三者有效前沿相一致。丁立刚、唐俊(2007)提出了在CVaR约束下，投资组合优化模型，在收益向量服从正态分布的条件下，讨论了不含无风险资产和含无风险资产两种情况下最优解和可行解存在的条件，给出了最优解的解析表达式。

2.2.4均值-DCC-GARCH模型

由于股票价格的收益率序列具有“尖峰厚尾”等典型化的非正态分布特征，若采用传统的Markowitz证券投资组合理论计算协方差必然得出“有偏”和“非一致”的估计结果；同时，单个资产的方差会呈现出时变性，当资产的个数超过1时，资产类之间的相关性也会呈现出时变性，而传统的Markowitz证券投资组合理论仅从静态角度考察了证券间的相关性，这显然是不合理的。我们考虑选择

更优的模型计算组合的协方差矩阵。

近几年由Bollerslev，Engle等人提出的多元GARCH模型采用异方差方法刻画证券波动的集聚现象，有效克服了传统标准正态分布这一假设的缺陷，同时，2002年Engle提出的DCC（Dynamic Conditional Correlation）模型，从动态角度刻画了条件相关系数可能具有的随时间变动的信息，为确定市场有效投资组合提供了有力工具。

Engle的DCC-GARCH（动态条件相关GARCH）模型，是在Bollerslev(1990)提出的常相关（Constant Conditional Correlation）模型的基础上发展出来的。设rt为具有零均值的收益序列，则DCC-GARCH的具体模型为：

rt|t1~N(0,DtRtDt)Dt2diagidiagkirt1rt'1diagiDt21tDt1rtQtSABAt1t'1BQt1RtdiagQt1/2

QtdiagQt1/2其中Dt2是一个对角矩阵，对角线的元素即为各变量的条件方差，Qt为标准化残差t的条件协方差矩阵，S为标准化残差t的无条件协方差矩阵，Rt为条件相关系数矩阵，符号“。”代表Hadamard乘积，即两矩阵对应元素相乘，

diagtQt1/2diag(1/q11,t,...,1/qnn,t)， i，ki，i，A，B 为所要估计的参

数。

收益服从多元正态分布是使用极大似然估计的前提，若此前提假设不成立，只能使用拟极大似然估计(Quasi-Maximum Likelihood)。估计过程分为两阶段估计：(1)使用一元GARCH模型对各变量进行估计；(2)使用前一步骤所得的标准化残差来估计条件相关系数（条件协方差）。

目前，在我国对多变量GARCH模型算法研究、软件实现方面都没有形成较完整的体系，对于DCC-GARCH模型的算法、程序实现及其在金融市场中的应用方面的研究也比较少。刘国光，张兵（2005）分别以中国A股市场、中国B股市场、道琼斯市场和纳斯达克市场的指数日收益和日交易量为研究对象，应用DCC-MVGARCH模型探讨其条件相关系数的动态特性。发现除我国深圳A、B股市

场外，其他市场支持条件相关系数动态变动的论断，各个市场总体正相关机会远大于负相关。谷耀，陆丽娜（2006）运用DCC-(BV)EGARCH-VAR模型度量了沪、深、港股市间的收益、波动的冲击及动态（时变）条件相关性，肯定了沪、深两市的条件相关性处于动态调整状态，牛市阶段相关性波动较大，熊市阶段波动较为平缓，而世界因素在收益和波动上都对沪、深两市存在显著的溢出效应，且对沪、深两市的影响是非对称的。吕亮雯（2006）通过对不同地区股票市场间和同一地区不同股票市场间的波动相关性变化进行实证分析，发现DCC-MVGARCH模型具有比其他多变量GARCH模型更简便的计算优势，而且经济意义明确，能提高投资选择时的避险效果。

2.2.5 AR（1）- DCC-GARCH模型

如果资产收益率序列之间有自相关性，则用自回归模型AR（1）来计量期望收益。

2.3 业绩评估

经风险调整后的业绩评估指标有很多，如基于证券市场线的Jensen指数和Treynor指数，以及基于资本市场线的Sharp指数，我们使用Sharp指数作为业绩评估指标。

三、因素分类与实证结果

3.1 因素分类与资产业绩

3.1.1 资产分类

Fama-French三因素模型中的因素是市净率和总市值，由于中国证券市场中市盈率对股票收益的影响要超过市净率的影响，因此我们用市盈率和流通市值作为因子将中国证券市场上所有A股划分为10大类。把持有期设定为1个月，样本期时间跨度为1997年01月至2007年12月，共计133个月。在每个月初，为规避风险，首先剔除市盈率为负、市净率为负、ST以及停盘的股票，这里将当日交易量为零的股票认为是停盘的股票。然后将市盈率为正的股票按照市盈率的大小从小到大进行排序，根据1/5分位数分为5组，记为L，2，3，4，H，再在每组中按照流通市值的大小从小到大进行排序，根据中位数将每组分为两组，记为S与B，这样在每月初共得到10个资产组合，分别记为LS,LB,2S,2B,3S,3B,4S,4B,HS,HB。

3.1.2 样本期资产业绩

样本期为1997年01月至2007年12月。对于任一种资产，假设1997年01月02日的初试投资额为1个单位，每个月初的资金投资比例为等额投资，换手率计算为卖出和买进股票个数的平均值占该月资产组合中股票个数的比例，交易费用固定为3.5‰，这样利用滚动投资策略就可以得到该种资产类型的资金变动状况，也就是考虑交易费用后的投资业绩。下表是10类资产投资业绩的统计性描述，最后一行是上证综指。

样本期10类资产组合的业绩

LS LB 2S 2B 平均换手率 0.2306 0.1550 0.3117 0.3214 盈利倍数 51.1959 16.5115 13.3502 5.0290 均值 0.0341 0.0251 0.0236 0.0158 标准差 0.0938 0.0913 0.0919 0.0872 夏普指数 0.3333 0.2445 0.2261 0.1479 14

3S 3B 4S 4B HS HB SHCI

0.3301 0.3468 0.2777 0.2917 0.1765 0.2025 8.0972 4.2577 4.1332 1.7370 6.4461 1.1685 5.7026 0.0200 0.0163 0.0151 0.0081 0.0192 0.0053 0.0162 0.0932 0.1144 0.0963 0.0921 0.1036 0.0939 0.0793 0.1836 0.1175 0.1270 0.0568 0.1577 0.0257 0.1676 上表显示出组合的市盈率越小，收益均值和夏普指数就越大，同时，组合的市值越小，收益均值和夏普指数也越大，验证了中国证券市场的小盘股效应和价值股效应。从风险来看，10类风险资产的风险相差不大，市场组合SHCI的风险最小。组合LS的业绩最优，其夏普指数最大，为0.3333，盈利倍数也达到了最大，为51.19，这意味着在考虑交易费用的情况下，从1997年01月至2007年12月，组合LS的价值增长了51.19倍，将近是市场组合SHCI业绩10倍。

3.1.3 检验期资产业绩

检验期为2000年01月至2007年12月，共计96个月。假设2000年01月02日的初试投资额为1个单位，交易费用固定为3.5‰，下表是10类资产投资业绩的统计性描述。

检验期10类资产组合的业绩

LS LB 2S 2B 3S 3B 4S 4B

盈利倍数 17.8211 10.6339 6.1683 3.7451 3.4293 3.4815 2.5376 1.2978 隐含月收益 0.0305 0.0249 0.0191 0.0138 0.0129 0.0131 0.0097 0.0027 15

均值 0.0344 0.0285 0.0232 0.0173 0.0172 0.0193 0.0146 0.0068 标准差 0.0941 0.0889 0.0944 0.0861 0.0956 0.1255 0.1017 0.0933 夏普指数 0.3457 0.2991 0.2259 0.1783 0.1599 0.1388 0.1244 0.0520 HS HB SHCI 2.8176 1.0843 3.7412 0.0108 0.0008 0.0138 0.0165 0.0055 0.0168 0.1098 0.0996 0.0794 0.1327 0.0356 0.1875 组合LS的业绩最优，其夏普指数达到了0.3457，盈利倍数也达到了最大，为17.82。

3.2 均值-方差模型

为了得到检验期96个月的96个动态有效边界，首先必须估计检验期每个月10类资产的均值与方差。本文的最长估计窗口为60（12*5）个月，对于2000年01月，采用1997年01月至1999年12月的月度数据来预测2000年01月的期望收益和风险，这时估计时间窗口为36个月，从2002年1月开始，采用60个月逐月滚动的数据来进行预测。

3.2.1动态均值

为了反映期望收益与实际（实际）收益之间差别，对每一种资产，我们可以得到检验期的96个期望收益，取96个期望收益的平均值就得到了平均期望收益，同理，也可以得到96个实际的收益，取其平均就可以得到平均实际收益。

检验期平均期望收益与平均实际收益 LS LB 2S 2B 3S 3B 4S 4B HS HB

平均期望收益 0.0216 0.0125 0.0142 0.0053 0.0128 0.0024 0.0073 0.0003 0.0109 -0.0031 16

平均实际收益 0.0344 0.0285 0.0232 0.0173 0.0172 0.0193 0.0146 0.0068 0.0165 0.0055 上表显示平均而言，期望收益要小于实际收益，也就是说，预测的收益要小于已实现的收益，但是平均期望收益的排序基本与平均实际收益一致。期望收益小于实际收益的原因是由于2006年和2007年的牛市行情所致。

以上结果适用于本章3.3-3.5中的其他三个均值模型。

3.2.2 动态风险

对每一种资产组合，我们可以得到检验期96个协方差矩阵与相关系数矩阵，取它们的平均值就得到了平均协方差矩阵与平均相关系数矩阵。

平均协方差矩阵

LS LB 2S 2B 3S 3B 4S 4B HS HB LS LB 2S 2B 3S 3B 4S 4B HS HB 0.0063 0.0058 0.0061 0.0058 0.0060 0.0057 0.0058 0.0057 0.0060 0.0054 0.0058 0.0060 0.0054 0.0057 0.0052 0.0055 0.0050 0.0055 0.0051 0.0050 0.0061 0.0054 0.0066 0.0059 0.0066 0.0059 0.0065 0.0062 0.0067 0.0059 0.0058 0.0057 0.0059 0.0061 0.0058 0.0059 0.0057 0.0061 0.0057 0.0056 0.0060 0.0052 0.0066 0.0058 0.0069 0.0060 0.0067 0.0063 0.0070 0.0060 0.0057 0.0055 0.0059 0.0059 0.0060 0.0066 0.0060 0.0063 0.0061 0.0058 0.0058 0.0050 0.0065 0.0057 0.0067 0.0060 0.0069 0.0063 0.0071 0.0062 0.0057 0.0055 0.0062 0.0061 0.0063 0.0063 0.0063 0.0068 0.0065 0.0062 0.0060 0.0051 0.0067 0.0057 0.0070 0.0061 0.0071 0.0065 0.0080 0.0065 0.0054 0.0050 0.0059 0.0056 0.0060 0.0058 0.0062 0.0062 0.0065 0.0061 平均相关系数矩阵

LS LB 2S 2B 3S 3B 4S

LS LB 2S 2B 3S 3B 4S 4B HS HB 1.0000 0.9386 0.9519 0.9401 0.9148 0.9028 0.8821 0.8821 0.8464 0.8672 0.9386 1.0000 0.8679 0.9480 0.8187 0.8949 0.7911 0.8669 0.7409 0.8376 0.9519 0.8679 1.0000 0.9359 0.9748 0.9291 0.9643 0.9333 0.9313 0.9257 0.9401 0.9480 0.9359 1.0000 0.9089 0.9654 0.8927 0.9542 0.8387 0.9236 0.9148 0.8187 0.9748 0.9089 1.0000 0.9155 0.9801 0.9255 0.9521 0.9267 0.9028 0.8949 0.9291 0.9654 0.9155 1.0000 0.9181 0.9661 0.8653 0.9432 0.8821 0.7911 0.9643 0.8927 0.9801 0.9181 1.0000 0.9353 0.9630 0.9456 17

4B HS HB

0.8821 0.8669 0.9333 0.9542 0.9255 0.9661 0.9353 1.0000 0.8850 0.9635 0.8464 0.7409 0.9313 0.8387 0.9521 0.8653 0.9630 0.8850 1.0000 0.9277 0.8672 0.8376 0.9257 0.9236 0.9267 0.9432 0.9456 0.9635 0.9277 1.0000 从平均相关系数矩阵来看，资产之间的相关性很强，3S与4S的相关性最大，为0.9801，而LB与HS之间的相关性最小，为0.7409。由于我国证券市场的系统性风险较高，导致资产之间的相关性很强，因此就大大降低了资产组合降低风险的效果。

3.2.3 动态有效前沿

根据无风险资产收益，动态均值和协方差矩阵的预测值，我们就可以得到不允许卖空条件下的动态有效前沿。在检验期共可以得到96个有效前沿，每个有效前沿上共采用50个分割点。以下是检验期起始月份2000年01月，和检验期最终月份2007年12月的有效前沿图示。图中的兰色曲线代表风险资产的有效前沿，红色曲线代表加入无风险资产后的有效前沿，即资本市场线，10个圆圈代表10种风险资产，其中红色星圆圈代表风险资产LS，红色圆圈代表风险资产HB。

2000年01月有效前沿 2007年12月有效前沿

3.2.4 平均投资比例

对于 [0.10,0.15,0.20,0.25,0.30,0.35,0.40,0.45,0.50]/12中的任一个目标收益率，根据检验期的96个有效前沿，可以得到无风险资产与10种风险资产的投资比例，将任一种资产的投资比例平均，就得到了无风险资产与10种风险资产的平均投资比例。

平均投资比例

RF LS LB 2S 2B 3S 3B 4S 4B HS HB 0.0083 0.5274 0.4002 0.0005 -0.0000 -0.0000 0.0390 -0.0000 -0.0000 -0.0000 0.0330 -0.0000 0.0125 0.3587 0.5224 0.0009 -0.0000 -0.0000 0.0638 -0.0000 -0.0000 -0.0000 0.0544 -0.0000 0.0167 0.2454 0.5898 0.0012 -0.0000 -0.0000 0.0878 -0.0000 -0.0000 -0.0000 0.0758 -0.0000 0.0208 0.1678 0.6269 0.0016 0.0250 0.1148 0.6648 0.0019 0.0292 0.0707 0.7181 0.0023 0.0333 0.0351 0.7542 0.0027 0.0375 0.0115 0.8278 0.0030 0.0417 0.0034 0.8578 0.0034 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 0.1078 0.1079 0.1081 0.1076 0.1065 0.1042 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 0.0959 0.1106 0.1008 0.1004 0.0512 0.0313 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000

上表第一行是给定的目标收益率，RF代表无风险资产。我们可以发现，随着目标收益率的增加，无风险资产中的平均投资比例在降低，由0.52降低到了0.00，而风险资产的平均投资比例在增加，资产LS的平均投资比例由0.40增加到了0.85，高的目标收益伴随着高风险。另外，其他资产的投资比例很小，除资产LB、3S、HS的平均投资比例不为零外，其余资产的平均投资比例基本为零。

3.2.5 实证结果

假设初试投资额为1单位，从2000年01月至2007年12月，根据得出的无风险资产与风险资产的投资比例购买股票，持有期为1个月，利用滚动策略就可以得到任一个目标收益率的模拟业绩。以下是模拟业绩的统计性描述，最后一行是上证综指。

检验期目标收益率的投资业绩

0.0083 0.0125

盈利倍数 3.9710 5.1972 隐含月收益 0.0145 0.0173 19

均值 0.0155 0.0189 标准差 0.0461 0.0581 夏普系数 0.2934 0.2920 0.0167 0.0208 0.0250 0.0292 0.0333 0.0375 0.0417 SHCI 6.4540 7.7250 9.0077 11.1649 12.6336 13.2545 13.3146 3.7412 0.0196 0.0215 0.0232 0.0255 0.0268 0.0273 0.0273 0.0138

0.0218 0.0242 0.0263 0.0289 0.0306 0.0312 0.0314 0.0168 0.0675 0.0757 0.0821 0.0874 0.0921 0.0935 0.0947 0.0794 0.2937 0.2941 0.2965 0.3090 0.3114 0.3134 0.3110 0.1875 上表告诉我们，当给定的目标收益率上升时，模拟组合的均值在上升，并且接近于给定的目标收益率，同时标准差也在上升，但风险均远远小于各种单个风险资产组合的风险。另外，9个模拟组合的盈利倍数均超过了上证综指，并且夏普系数均远远超过了上证综指的夏普系数，模拟组合的夏普指数均大于单个资产投资的夏普系数，说明通过均值方差模型，达到了规避风险的目的，总体上我们得到了比较理想的模拟结果。

3.3 均值-VaR模型

3.3.1 动态VaR

我们利用历史模拟法来计算资产的VaR值。对每一种资产组合，我们可以得到检验期的96个VaR值，取它们的平均值就得到了资产的平均VaR。

11种资产的平均VaR

RF -0.0014 LS 0.0705 LB 0.0734 2S 0.0778 2B 3S 3B 0.0776 4S 0.0831 4B 0.0816 HS 0.0930 HB 0.0843 0.00.08773 16 上表中RF表示无风险收益。在风险资产中，LS的平均VaR值最小，而HS的平均VaR值最大，说明收益和风险没有呈现正相关关系。

3.3.2 动态有效前沿

我们利用Alexei A. Gaivoronski和Georg Pflug所研究的SVaR（Smoothed VaR）方法来计算VaR的有效前沿。

2000年01月有效前沿 2007年12月有效前沿

3.3.3 平均投资比例

平均投资比例

RF LS LB 2S 2B 3S 3B 4S 4B HS HB 0.0083 0.5310 0.4202 0.0031 0.0023 -0.0000 0.0350 -0.0000 -0.0000 -0.0000 0.0084 -0.0000 0.0125 0.3635 0.5544 0.0054 0.0030 -0.0000 0.0554 -0.0000 -0.0000 -0.0000 0.0183 -0.0000 0.0167 0.2512 0.6357 0.0078 0.0037 -0.0000 0.0774 -0.0000 -0.0000 -0.0000 0.0242 -0.0000 0.0208 0.1765 0.6724 0.0101 0.0250 0.1236 0.7150 0.0125 0.0292 0.0783 0.7555 0.0146 0.0333 0.0421 0.7864 0.0172 0.0375 0.0149 0.8339 0.0172

0.0417 0.0038 0.8478 0.0143 0.0000 0.0000 0.1031 0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 0.1014 0.1031 0.1031 0.1031 0.1031 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 0.0396 0.0458 0.0485 0.0512 0.0309 0.0000 0.0309 0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 结果与均值-方差模型下的平均投资比例相近。

3.3.4 实证结果

检验期目标收益率的投资业绩

0.0083 盈利倍数 4.0353 隐含月收益 0.0146 均值 0.0157 标准差 0.0460 夏普系数 0.2985 21

0.0125 0.0167 0.0208 0.0250 0.0292 0.0333 0.0375 0.0417 SHCI 5.3137 6.5765 7.8736 9.2581 10.6879 11.9960 13.4540 13.3129 3.7412 0.0176 0.0198 0.0217 0.0235 0.0250 0.0262 0.0274 0.0273 0.0138

0.0192 0.0220 0.0244 0.0266 0.0285 0.0301 0.0315 0.0314 0.0168 0.0579 0.0674 0.0752 0.0815 0.0876 0.0923 0.0942 0.0948 0.0794 0.2979 0.2977 0.2989 0.3020 0.3036 0.3052 0.3138 0.3111 0.1875 均值-VaR模型的结果要优于均值-方差模型。

3.4 均值-CVaR模型

3.4.1 动态CVaR

我们利用历史模拟法来计算资产的CVaR值。对每一种资产组合，我们可以得到检验期的96个CVaR值，取它们的平均值就得到了资产的平均CVaR。

11种资产的平均CVaR

RF -0.0019 LS 0.1104 LB 0.1144 2S 0.1143 2B 3S 3B 0.1145 4S 0.1231 4B 0.1201 HS 0.1435 HB 0.1269 0.10.11141 52 上表中RF表示无风险收益。在风险资产中，LS的平均CVaR值最小，而HS的平均CVaR值最大，说明收益和风险没有呈现正相关关系。

3.4.2 动态有效前沿

2000年01月有效前沿 2007年12月有效前沿

3.4.3 平均投资比例

平均投资比例

RF LS LB 2S 2B 3S 3B 4S 4B HS HB 0.0083 0.5322 0.4034 0.0038 0.0022 -0.0000 0.0524 -0.0000 -0.0000 -0.0000 0.0060 -0.0000 0.0125 0.3650 0.5428 0.0067 0.0028 -0.0000 0.0719 -0.0000 -0.0000 -0.0000 0.0107 -0.0000 0.0167 0.2529 0.6156 0.0096 0.0046 -0.0000 0.1039 -0.0000 -0.0000 -0.0000 0.0135 -0.0000 0.0208 0.1753 0.6640 0.0125 0.0073 0.0250 0.1220 0.7086 0.0153 0.0086 0.0292 0.0763 0.7471 0.0182 0.0104 0.0000 0.1097 0.0333 0.0400 0.7786 0.0211 0.0114 0.0375 0.0140 0.8286 0.0200 0.0031

0.0417 0.0033 0.8444 0.0183 0.0000 0.0000 0.1031 0.0000 0.0000 -0.0000 -0.0000 0.1180 0.1085 -0.0000 -0.0000 0.1097 0.1032 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 0.0000 -0.0000 -0.0000 0.0000 0.0391 -0.0000 -0.0000 -0.0000 0.0230 0.0370 0.0383 -0.0000 -0.0000 0.0311 0.0000 0.0309 0.0000 -0.0000 -0.0000 -0.0000 -0.0000 结果与均值-VaR模型下的平均投资比例相近。

3.4.4 实证结果

检验期目标收益率的投资业绩

0.0083 盈利倍数 3.9816 隐含月收益 0.0145 均值 0.0155 标准差 0.0460 夏普系数 0.2956 23

0.0125 0.0167 0.0208 0.0250 0.0292 0.0333 0.0375 0.0417 SHCI 5.2911 6.6342 8.0145 9.4743 10.9687 12.3506 13.6608 13.5458 3.7412 0.0175 0.0199 0.0219 0.0237 0.0253 0.0265 0.0276 0.0275 0.0138

0.0191 0.0221 0.0246 0.0268 0.0288 0.0304 0.0317 0.0316 0.0168 0.0579 0.0671 0.0753 0.0817 0.0878 0.0926 0.0946 0.0948 0.0794 0.2969 0.2999 0.3010 0.3045 0.3061 0.3079 0.3145 0.3132 0.1875 均值-CVaR模型的结果要优于均值-VaR模型。

3.5 均值-DCC-GARCH模型

3.5.1动态风险

由于股票价格的收益率序列具有尖峰厚尾的特征，单个资产的方差会呈现出时变性，当资产的个数超过1时，资产类之间的相关性会呈现出时变性，因此使用DCC-GARCH（动态条件相关GARCH）模型来确定资产类之间的动态相关性。

对每一种资产组合，我们可以得到检验期96个协方差矩阵与相关系数矩阵，取它们的平均值就得到了平均协方差矩阵与平均相关系数矩阵。

平均协方差矩阵

LS LB 2S 2B 3S 3B 4S 4B

LS LB 2S 2B 3S 3B 4S 4B HS HB 0.0068 0.0065 0.0065 0.0064 0.0064 0.0073 0.0062 0.0064 0.0064 0.0063 0.0065 0.0072 0.0060 0.0066 0.0058 0.0075 0.0056 0.0063 0.0057 0.0062 0.0065 0.0060 0.0069 0.0064 0.0069 0.0074 0.0068 0.0068 0.0070 0.0067 0.0064 0.0066 0.0064 0.0068 0.0063 0.0077 0.0062 0.0069 0.0063 0.0066 0.0064 0.0058 0.0069 0.0063 0.0072 0.0074 0.0071 0.0069 0.0074 0.0069 0.0073 0.0075 0.0074 0.0077 0.0074 0.0131 0.0075 0.0082 0.0077 0.0083 0.0062 0.0056 0.0068 0.0062 0.0071 0.0075 0.0074 0.0071 0.0076 0.0071 0.0064 0.0063 0.0068 0.0069 0.0069 0.0082 0.0071 0.0077 0.0071 0.0074 24

HS HB 0.0064 0.0057 0.0070 0.0063 0.0074 0.0077 0.0076 0.0071 0.0084 0.0075 0.0063 0.0062 0.0067 0.0066 0.0069 0.0083 0.0071 0.0074 0.0075 0.0078

平均相关系数矩阵

LS LB 2S 2B 3S 3B 4S 4B HS HB LS LB 2S 2B 3S 3B 4S 4B HS HB 1.0000 0.9396 0.9536 0.9379 0.9198 0.9061 0.8861 0.8853 0.8518 0.8717 0.9396 1.0000 0.8695 0.9432 0.8250 0.8941 0.7978 0.8614 0.7518 0.8422 0.9536 0.8695 1.0000 0.9356 0.9749 0.9325 0.9639 0.9351 0.9305 0.9249 0.9379 0.9432 0.9356 1.0000 0.9120 0.9667 0.8968 0.9540 0.8433 0.9273 0.9198 0.8250 0.9749 0.9120 1.0000 0.9181 0.9798 0.9285 0.9517 0.9263 0.9061 0.8941 0.9325 0.9667 0.9181 1.0000 0.9203 0.9691 0.8667 0.9439 0.8861 0.7978 0.9639 0.8968 0.9798 0.9203 1.0000 0.9392 0.9626 0.9458 0.8853 0.8614 0.9351 0.9540 0.9285 0.9691 0.9392 1.0000 0.8888 0.9653 0.8518 0.7518 0.9305 0.8433 0.9517 0.8667 0.9626 0.8888 1.0000 0.9272 0.8717 0.8422 0.9249 0.9273 0.9263 0.9439 0.9458 0.9653 0.9272 1.0000

从平均相关系数矩阵来看，资产之间的相关性很强。

3.5.2 动态有效前沿

图中的兰色曲线代表风险资产的有效前沿，红色曲线代表加入无风险资产后的有效前沿，即资本市场线，10个圆圈代表10种风险资产，其中红色星圆圈代表风险资产LS，红色圆圈代表风险资产HB。

2000年01月有效前沿 2007年12月有效前沿

3.5.3 平均投资比例

平均投资比例

RF LS LB 2S 2B 3S 3B 4S 4B HS HB 0.0083 0.5278 0.4048 0.0003 0.0013 -0.0000 0.0461 -0.0000 0.0000 -0.0000 0.0197 0.0000 0.0125 0.3594 0.5300 0.0005 0.0021 -0.0000 0.0754 -0.0000 0.0000 -0.0000 0.0325 0.0000 0.0167 0.2464 0.6005 0.0008 0.0030 -0.0000 0.1041 -0.0000 0.0000 -0.0000 0.0453 0.0000 0.0208 0.1693 0.6367 0.0010 0.0038 0.0250 0.1159 0.6725 0.0012 0.0046 0.0292 0.0717 0.7202 0.0014 0.0055 0.0333 0.0368 0.7635 0.0016 0.0025 0.0375 0.0132 0.8394 0.0018 0.0000 0.0417 0.0037 0.8608 0.0000 0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 0.1321 0.1314 0.1363 0.1333 0.1051 0.1042 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 0.0571 0.0000 0.0744 0.0001 0.0648 0.0001 0.0622 0.0001 0.0405 0.0313 -0.0000 -0.0000

上表第一行是给定的目标收益率，RF代表无风险资产。我们可以发现，随着给定的目标收益率的增加，无风险资产中的平均投资比例在降低，由0.52降低到了0.00，而风险资产的平均投资比例在增加，资产LS的平均投资比例由0.40增加到了0.86。另外，其他资产的投资比例很小，除资产LB、2S 、3S、HS的平均投资比例不为零外，其余资产的平均投资比例基本为零。

3.5.4 实证结果

检验期目标收益率的投资业绩

0.0083 0.0125 0.0167

盈利倍数 3.9612 5.1778 6.4213 隐含月收益 0.0144 0.0173 0.0196 26

均值 0.0154 0.0189 0.0217 标准差 0.0461 0.0582 0.0676 夏普系数 0.2928 0.2913 0.2929 0.0208 0.0250 0.0292 0.0333 0.0375 0.0417 SHCI

7.6592 8.9397 11.1718 13.0246 13.6725 13.7522 3.7412 0.0214 0.0231 0.0255 0.0271 0.0276 0.0277 0.0138 0.0241 0.0262 0.0290 0.0309 0.0316 0.0317 0.0168 0.0758 0.0824 0.0876 0.0919 0.0934 0.0945 0.0794 0.2927 0.2948 0.3087 0.3154 0.3173 0.3151 0.1875 对于比较小的期望收益率，均值-DCC-GARCH劣于其他三个均值模型，但当期望收益率比较大时，均值-DCC-GARCH优于其他三个均值模型。

3.6 AR（1）-DCC-GARCH模型

期望收益利用一阶自回归方程AR（1）模型来计量。由于四个均值模型的结果相差不大，本文以后风险都使用DCC-GARCH模型来计量。

3.6.1动态均值

对10种资产组合的每一种资产，我们利用AR（1）模型可以得到检验期96个期望收益，取96个期望收益的平均值就得到了平均期望收益，同理，也可以得到96个实际的收益，取其平均就可以得到平均实际收益。

检验期平均期望收益与平均实际收益 LS LB 2S 2B 3S 3B 4S 4B

平均期望收益 0.0230 0.0156 0.0146 0.0067 0.0120 0.0044 0.0071 0.0002 27

平均实际收益 0.0344 0.0285 0.0232 0.0173 0.0172 0.0193 0.0146 0.0068 HS HB 0.0096 -0.0035 0.0165 0.0055 AR（1）模型的结果与均值模型很接近。期望收益要小于实际收益，也就是说，预测的收益要小于实际的收益，但是平均期望收益的排序基本与平均实际收益一致。

3.6.2动态风险

首先利用AR（1）模型消除收益序列的相关性，得到均值为零的收益率序列，然后使用DCC-GARCH（动态条件相关GARCH）模型来确定资产类之间的动态相关性。对每一种资产组合，我们可以得到检验期的96个协方差矩阵与相关系数矩阵，取它们的平均值就得到了平均协方差矩阵与平均相关系数矩阵。

平均协方差矩阵

LS LB 2S 2B 3S 3B 4S 4B HS HB LS LB 2S 2B 3S 3B 4S 4B HS HB 0.0062 0.0056 0.0060 0.0057 0.0059 0.0056 0.0057 0.0057 0.0058 0.0053 0.0056 0.0058 0.0053 0.0056 0.0051 0.0053 0.0049 0.0054 0.0049 0.0049 0.0060 0.0053 0.0064 0.0058 0.0064 0.0059 0.0064 0.0061 0.0066 0.0058 0.0057 0.0056 0.0058 0.0059 0.0057 0.0058 0.0056 0.0060 0.0056 0.0055 0.0059 0.0051 0.0064 0.0057 0.0068 0.0060 0.0067 0.0062 0.0070 0.0060 0.0056 0.0053 0.0059 0.0058 0.0060 0.0065 0.0059 0.0062 0.0060 0.0058 0.0057 0.0049 0.0064 0.0056 0.0067 0.0059 0.0068 0.0063 0.0071 0.0061 0.0057 0.0054 0.0061 0.0060 0.0062 0.0062 0.0063 0.0067 0.0064 0.0061 0.0058 0.0049 0.0066 0.0056 0.0070 0.0060 0.0071 0.0064 0.0079 0.0064 0.0053 0.0049 0.0058 0.0055 0.0060 0.0058 0.0061 0.0061 0.0064 0.0061

平均相关系数矩阵

LS LB 2S LS LB 2S 2B 3S 3B 4S 4B HS HB 1.0000 0.9368 0.9527 0.9387 0.9147 0.9021 0.8813 0.8808 0.8447 0.8644 0.9368 1.0000 0.8699 0.9461 0.8185 0.8926 0.7897 0.8652 0.7388 0.8344 0.9527 0.8699 1.0000 0.9373 0.9732 0.9300 0.9640 0.9347 0.9292 0.9272 28

2B 3S 3B 4S 4B HS HB 0.9387 0.9461 0.9373 1.0000 0.9098 0.9654 0.8941 0.9545 0.8384 0.9234 0.9147 0.8185 0.9732 0.9098 1.0000 0.9165 0.9809 0.9262 0.9520 0.9284 0.9021 0.8926 0.9300 0.9654 0.9165 1.0000 0.9182 0.9655 0.8657 0.9427 0.8813 0.7897 0.9640 0.8941 0.9809 0.9182 1.0000 0.9349 0.9629 0.9454 0.8808 0.8652 0.9347 0.9545 0.9262 0.9655 0.9349 1.0000 0.8842 0.9628 0.8447 0.7388 0.9292 0.8384 0.9520 0.8657 0.9629 0.8842 1.0000 0.9291 0.8644 0.8344 0.9272 0.9234 0.9284 0.9427 0.9454 0.9628 0.9291 1.0000

从平均相关系数矩阵来看，资产之间的相关性很强。

3.6.3 动态有效前沿

2000年01月有效前沿 2007年12月有效前沿

3.6.4 平均投资比例

平均投资比例

RF LS LB 0.0083 0.5428 0.3350 0.0393 0.0125 0.3905 0.4152 0.0556 0.0167 0.2899 0.4503 0.0725 0.0208 0.2085 0.4826 0.0803 0.0250 0.1549 0.4761 0.0896 0.0292 0.1133 0.4859 0.0984 0.0333 0.0814 0.5015 0.1071 0.0375 0.0658 0.5117 0.1118

0.0417 0.0589 0.5197 0.1152 29

2S 2B 3S 3B 4S 4B HS HB

0.0071 0.0012 0.0333 0.0053 0.0003 -0.0000 0.0357 0.0000 0.0116 0.0020 0.0545 0.0110 0.0005 -0.0000 0.0591 0.0001 0.0133 0.0028 0.0717 0.0112 0.0004 -0.0000 0.0880 0.0001 0.0170 0.0036 0.0889 0.0114 0.0005 0.0297 0.0044 0.1023 0.0116 0.0005 0.0313 0.0051 0.1176 0.0118 0.0002 0.0313 0.0059 0.1366 0.0120 0.0313 0.0067 0.1534 0.0123 0.0313 0.0075 0.1508 0.0125 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 0.1070 0.0001 0.1309 0.1365 0.1242 0.1071 0.1042 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 3.6.5 实证结果

检验期目标收益率的投资业绩

0.0083 0.0125 0.0167 0.0208 0.0250 0.0292 0.0333 0.0375 0.0417 SHCI 盈利倍数 2.8129 3.4215 4.2034 5.1034 5.6479 6.5221 7.5638 8.1897 8.3201 3.7412 隐含月收益 0.0108 0.0129 0.0151 0.0171 0.0182 0.0197 0.0213 0.0221 0.0223 0.0138

虽然AR（1）模型的风险相对于四个均值模型占优，但盈利倍数以及夏普指数远落后于三个均值模型，因此实证表明在度量期望收益时，均值模型要优于AR（1）模型。

均值 0.0118 0.0143 0.0168 0.0192 0.0205 0.0223 0.0241 0.0250 0.0252 0.0168 标准差 0.0446 0.0535 0.0605 0.0661 0.0698 0.0731 0.0759 0.0771 0.0783 0.0794 夏普系数 0.2208 0.2305 0.2461 0.2617 0.2666 0.2784 0.2915 0.2990 0.2975 0.1875 3.7 模型模拟业绩的比较

根据前面的实证结果，我们分别从盈利倍数、隐含月收益、均值、标准差、

夏普系数几个方面来比较几个模型在2000年01月至2007年12月间目标收益率的模拟投资业绩。

3.7.1 盈利倍数的比较

均值-方差均值-VaR 均值-CVaR 均值AR（1）- -DCC-GARCH DCC-GARCH 0.0083 0.0125 0.0167 0.0208 0.0250 0.0292 0.0333 0.0375 0.0417

四个均值模型的结果相差不大，但显著优于AR（1）- DCC-GARCH模型。当

3.9710 5.1972 6.4540 7.7250 9.0077 11.1649 12.6336 13.2545 13.3146 4.0353 5.3137 6.5765 7.8736 9.2581 10.6879 11.9960 13.4540 13.3129 3.9816 5.2911 6.6342 8.0145 9.4743 10.9687 12.3506 13.6608 13.5458 3.9612 5.1778 6.4213 7.6592 8.9397 11.1718 13.0246 13.6725 13.7522 2.8129 3.4215 4.2034 5.1034 5.6479 6.5221 7.5638 8.1897 8.3201 目标收益率为0.0083，0.0125，0.0167，0.0208，0.0250时，均值-CvaR模型的结果占优，而当目标收益率为0.0292，0.0333，0.0375，0.0417时，均值- DCC-GARCH模型的结果占优。

3.7.2 隐含月收益的比较

均值-方差均值-VaR 均值-CVaR 均值AR（1）- -DCC-GARCH DCC-GARCH 0.0083 0.0125 0.0167 0.0145 0.0173 0.0196 0.0146 0.0176 0.0198 0.0145 0.0175 0.0199 0.0144 0.0173 0.0196 0.0108 0.0129 0.0151 31

0.0208 0.0250 0.0292 0.0333 0.0375 0.0417

0.0215 0.0232 0.0255 0.0268 0.0273 0.0273 0.0217 0.0235 0.0250 0.0262 0.0274 0.0273 0.0219 0.0237 0.0253 0.0265 0.0276 0.0275 0.0214 0.0231 0.0255 0.0271 0.0276 0.0277 0.0171 0.0182 0.0197 0.0213 0.0221 0.0223 四个均值模型的结果相差不大，但显著优于AR（1）- DCC-GARCH模型。当目标收益率为0.0083，0.0125，0.0167，0.0208，0.0250时，均值-CvaR模型的结果占优，而当目标收益率为0.0292，0.0333，0.0375，0.0417时，均值- DCC-GARCH模型的结果占优。

3.7.3均值的比较

均值-方差均值-VaR 均值-CVaR 均值AR（1）- -DCC-GARCH DCC-GARCH 0.0083 0.0125 0.0167 0.0208 0.0250 0.0292 0.0333 0.0375 0.0417

四个均值模型的结果相差不大，但显著优于AR（1）- DCC-GARCH模型。当

0.0155 0.0189 0.0218 0.0242 0.0263 0.0289 0.0306 0.0312 0.0314 0.0157 0.0192 0.0220 0.0244 0.0266 0.0285 0.0301 0.0315 0.0314 0.0155 0.0191 0.0221 0.0246 0.0268 0.0288 0.0304 0.0317 0.0316 0.0154 0.0189 0.0217 0.0241 0.0262 0.0290 0.0309 0.0316 0.0317 0.0118 0.0143 0.0168 0.0192 0.0205 0.0223 0.0241 0.0250 0.0252 目标收益率为0.0083，0.0125，0.0167，0.0208，0.0250时，均值-CvaR模型的结果占优，而当目标收益率为0.0292，0.0333，0.0375，0.0417时，均值-

DCC-GARCH模型的结果占优。

3.7.4标准差的比较

均值-方差均值-VaR 均值-CVaR 均值AR（1）- -DCC-GARCH DCC-GARCH 0.0083 0.0125 0.0167 0.0208 0.0250 0.0292 0.0333 0.0375 0.0417

四个均值模型的结果相差不大，但显著劣于AR（1）- DCC-GARCH模型。

3.7.5夏普系数的比较

均值-方差均值-VaR 均值-CVaR 均值AR（1）- 0.0461 0.0581 0.0675 0.0757 0.0821 0.0874 0.0921 0.0935 0.0947 0.0460 0.0579 0.0674 0.0752 0.0815 0.0876 0.0923 0.0942 0.0948 0.0460 0.0579 0.0671 0.0753 0.0817 0.0878 0.0926 0.0946 0.0948 0.0461 0.0582 0.0676 0.0758 0.0824 0.0876 0.0919 0.0934 0.0945 0.0446 0.0535 0.0605 0.0661 0.0698 0.0731 0.0759 0.0771 0.0783 -DCC-GARCH DCC-GARCH 0.0083 0.0125 0.0167 0.0208 0.0250 0.0292 0.0333

0.2934 0.2920 0.2937 0.2941 0.2965 0.3090 0.3114 0.2985 0.2979 0.2977 0.2989 0.3020 0.3036 0.3052 33

0.2956 0.2969 0.2999 0.3010 0.3045 0.3061 0.3079 0.2928 0.2913 0.2929 0.2927 0.2948 0.3087 0.3154 0.2208 0.2305 0.2461 0.2617 0.2666 0.2784 0.2915 0.0375 0.0417

0.3134 0.3110 0.3138 0.3111 0.3145 0.3132 0.3173 0.3151 0.2990 0.2975 夏普系数是业绩比较的最重要指标，它既考虑了收益，也考虑了风险。四个

均值模型的结果相差不大，但显著优于AR（1）- DCC-GARCH模型。均值-VaR模型的结果基本优于均值-方差模型，均值-CvaR模型的结果基本优于均值-VaR模型，当目标收益率为0.0083，0.0125，0.0167，0.0208，0.0250，0.0292时，均值-DCC-GARCH的结果劣于其他三个均值模型，而当目标收益率为0.0333，0.0375，0.0417时，均值-DCC-GARCH的结果优于其他三个均值模型。

3.8 结论

计量期望收益时，均值模型优于AR（1）模型。四个均值模型的实证结果比较接近，均值-VaR模型要优于均值-方差模型，均值-CVaR模型要优于均值-VaR模型。对于比较小的目标收益率，均值-CVaR模型要优于均值-DCC-GARCH的结果，但当目标收益率比较大时，均值-CVaR模型要劣于均值-DCC-GARCH的结果。

四、行业分类与实证结果

根据上一章的结果，本章考察均值-DCC-GARCH模型。

4.1 行业分类与资产业绩

4.1.1 行业分类

2001年4月，中国证监会把行业共分为13大类，即：农、林、牧、渔业；采掘业；制造业；电力煤气及水的生产和供应业；建筑业；交通运输、仓储业；信息技术业；批发和零售贸易；金融、保险业；房地产业；社会服务业；传播与文化产业；综合类。由于数据的可得性问题，本文将不考虑上市公司上市后的行业变化，均以2007年12月28日上市公司所属行业为标准，将沪深两市股票根据证监会的行业分类分为13类。

在样本期1997年01月至2007年12月的每个月初，首先剔除市盈率为负、市静率为负、ST以及停盘的股票，然后按行业分为13个资产组合，用数字1至13来代替。

4.1.2 样本期资产业绩

对于每个行业，换手率计算为买进股票的个数占该月资产组合中股票个数的比例，交易费用固定为3.5‰，这样利用滚动投资策略就可以得到该行业的投资业绩。

样本期13类行业的投资业绩

1 2 3 4 5 6 上市公司数目 35 30 871 62 33 65 盈利倍数 4.9478 22.1197 7.7814 7.7414 7.5349 9.5195 均值 0.0163 0.0288 0.0194 0.0195 0.0198 0.0203 标准差 0.0942 0.1070 0.0908 0.0931 0.0989 0.0832 夏普指数 0.1425 0.2427 0.1821 0.1789 0.1717 0.2100 35

7 8 9 10 11 12 13 SHCI 91 89 27 65 47 10 72 7.3213 8.5730 13.2588 8.0206 6.7226 10.6361 7.4326 5.7026

0.0200 0.0204 0.0238 0.0201 0.0184 0.0237 0.0198 0.0162 0.1030 0.0944 0.0955 0.0964 0.0926 0.1119 0.1003 0.0793 0.1663 0.1861 0.2198 0.1792 0.1678 0.1860 0.1690 0.1676 上表显示出在2007年12月28日，1497家上市公司中，制造业（3）占了一半以上。盈利倍数在5-22倍之间，其中采掘业（2）的最高，超过了20倍，次之的金融、保险业（9）达到13倍左右，最低的农、林、牧、渔业（1）也接近5倍。采掘业（2）的月收益均值最大，接近0.03，其夏普比率也越大，达到了0.24。值得注意的是，13个行业的风险相差不大，且均大于市场指数的风险。

4.1.3 检验期资产业绩

检验期为2000年01月至2007年12月，共计96个月。

检验期13个行业的业绩

1 2 3 4 5 6 7 8 9 10 11 12 13 SHCI

盈利倍数 2.9431 10.9036 4.6544 4.0703 4.0078 4.4247 2.4060 4.7933 8.8071 4.7332 4.4050 4.0980 3.0856 3.7412 隐含月收益 0.0113 0.0252 0.0161 0.0147 0.0146 0.0156 0.0092 0.0165 0.0229 0.0163 0.0156 0.0148 0.0118 0.0138 均值 0.0157 0.0305 0.0203 0.0189 0.0190 0.0187 0.0141 0.0209 0.0275 0.0209 0.0199 0.0207 0.0166 0.0168 标准差 0.0968 0.1082 0.0952 0.0957 0.0980 0.0820 0.1033 0.0982 0.1002 0.0993 0.0969 0.1147 0.1024 0.0794 夏普指数 0.1425 0.2641 0.1933 0.1774 0.1744 0.2048 0.1180 0.1927 0.2554 0.1910 0.1850 0.1639 0.1428 0.1875 4.2 均值-DCC-GARCH模型

同第三章，检验期估计均值与风险的最长估计窗口为60（12*5）个月。

4.2.1动态均值

检验期平均期望收益与平均实际收益 1 2 3 4 5 6 7 8 9 10 11 12 13 平均期望收益 0.0061 0.0180 0.0092 0.0107 0.0087 0.0122 0.0123 0.0105 0.0112 0.0091 0.0081 0.0162 0.0118 平均实际收益 0.0157 0.0305 0.0203 0.0189 0.0190 0.0187 0.0141 0.0209 0.0275 0.0209 0.0199 0.0207 0.0166 平均而言，期望收益要小于实际收益，但是对资产期望收益的排序基本与资产的实际收益一致。

4.2.2 动态风险

平均协方差矩阵

1 0.0069 0.0063 0.0065 0.0060 0.0063 0.0056 2 0.0063 0.0096 0.0066 0.0064 0.0061 0.0059 3 0.0065 0.0066 0.0070 0.0066 0.0068 0.0060 4 0.0060 0.0064 0.0066 0.0072 0.0066 0.0059 5 0.0063 0.0061 0.0068 0.0066 0.0076 0.0061 6 0.0056 0.0059 0.0060 0.0059 0.0061 0.0059 7 0.0070 0.0072 0.0073 0.0068 0.0072 0.0064 8 0.0066 0.0067 0.0071 0.0068 0.0071 0.0062 9 0.0058 0.0062 0.0062 0.0063 0.0062 0.0056 10 0.0064 0.0065 0.0068 0.0064 0.0071 0.0060 11 0.0064 0.0064 0.0067 0.0064 0.0068 0.0059 12 0.0066 0.0073 0.0072 0.0065 0.0070 0.0062 13 0.0069 0.0068 0.0074 0.0071 0.0073 0.0064 1 2 3 4 5 6

7 8 9 10 11 12 13 0.0070 0.0066 0.0058 0.0064 0.0064 0.0066 0.0069 0.0072 0.0067 0.0062 0.0065 0.0064 0.0073 0.0068 0.0073 0.0071 0.0062 0.0068 0.0067 0.0072 0.0074 0.0068 0.0068 0.0063 0.0064 0.0064 0.0065 0.0071 0.0072 0.0071 0.0062 0.0071 0.0068 0.0070 0.0073 0.0064 0.0062 0.0056 0.0060 0.0059 0.0062 0.0064

0.0094 0.0077 0.0064 0.0074 0.0073 0.0089 0.0083 0.0077 0.0078 0.0063 0.0072 0.0071 0.0078 0.0078 0.0064 0.0063 0.0084 0.0061 0.0058 0.0063 0.0065 0.0074 0.0072 0.0061 0.0079 0.0069 0.0073 0.0075 0.0073 0.0071 0.0058 0.0069 0.0071 0.0072 0.0073 0.0089 0.0078 0.0063 0.0073 0.0072 0.0114 0.0083 0.0083 0.0078 0.0065 0.0075 0.0073 0.0083 0.0086 平均相关系数矩阵

1 1.0000 0.7952 0.9517 0.8883 0.8895 0.9003 0.8772 0.9232 0.7976 0.8967 0.9289 0.7545 0.9226 2 0.7952 1.0000 0.8324 0.8105 0.7375 0.8061 0.7751 0.7963 0.7276 0.7716 0.8014 0.7072 0.7780 3 0.9517 0.8324 1.0000 0.9464 0.9356 0.9445 0.9252 0.9755 0.8455 0.9433 0.9615 0.8331 0.9692 4 0.8883 0.8105 0.9464 1.0000 0.8947 0.9227 0.8613 0.9146 0.8541 0.8821 0.9008 0.7556 0.9142 5 0.8895 0.7375 0.9356 0.8947 1.0000 0.9217 0.8670 0.9268 0.8040 0.9298 0.9350 0.7752 0.9191 6 0.9003 0.8061 0.9445 0.9227 0.9217 1.0000 0.8827 0.9285 0.8331 0.9092 0.9323 0.7867 0.9280 7 0.8772 0.7751 0.9252 0.8613 0.8670 0.8827 1.0000 0.9208 0.7554 0.8828 0.9113 0.8706 0.9471 8 0.9232 0.7963 0.9755 0.9146 0.9268 0.9285 0.9208 1.0000 0.8142 0.9423 0.9682 0.8528 0.9682 9 0.7976 0.7276 0.8455 0.8541 0.8040 0.8331 0.7554 0.8142 1.0000 0.7983 0.7904 0.6705 0.8128 10 0.8967 0.7716 0.9433 0.8821 0.9298 0.9092 0.8828 0.9423 0.7983 1.0000 0.9448 0.7950 0.9399 11 0.9289 0.8014 0.9615 0.9008 0.9350 0.9323 0.9113 0.9682 0.7904 0.9448 1.0000 0.8274 0.9563 12 0.7545 0.7072 0.8331 0.7556 0.7752 0.7867 0.8706 0.8528 0.6705 0.7950 0.8274 1.0000 0.8726 13 0.9226 0.7780 0.9692 0.9142 0.9191 0.9280 0.9471 0.9682 0.8128 0.9399 0.9563 0.8726 1.0000 1 2 3 4 5 6 7 8 9 10 11 12 13

从平均相关系数矩阵来看，资产之间的相关性很强，制造业（3）与批发和零售贸易（8）之间的相关性达到了最大，为0.9755，而金融、保险业（9）与传播与文化产业（12）之间的相关性最小，为0.6705。

4.2.3 动态有效前沿

根据无风险资产收益，以及均值-DCC-GARCH模型均值和协方差矩阵的预测值，我们就可以得出检验期不允许卖空条件下的动态有效前沿。13个圆圈代表13个行业，其中红色星圆圈代表采掘业。

2000年01月有效前沿 2007年12月有效前沿

4.2.4 平均投资比例

平均投资比例

0.0083 0.0125 0.4110 0.0051 0.4021 0.0000 0.0140 0.0030 0.0601 0.0359 0.0001 0.0239 0.0038 0.0012 0.0203 0.0195 0.0167 0.2924 0.0071 0.4316 0.0001 0.0187 0.0009 0.0774 0.0524 0.0002 0.0375 0.0055 0.0017 0.0475 0.0272 0.0208 0.2193 0.0092 0.4337 0.0001 0.0229 0.0011 0.0829 0.0559 0.0002 0.0510 0.0067 0.0022 0.0928 0.0220 0.0250 0.1755 0.0092 0.4327 0.0001 0.0280 0.0007 0.0656 0.0728 0.0292 0.1484 0.0064 0.4257 0.0333 0.1290 0.0033 0.4154 0.0375 0.1143 0.0001 0.4118

0.0417 0.1076 -0.0000 0.4240 RF 1 2 3 4 5 6 7 8 9 10 11 12 13 0.5768 0.0030 0.2980 0.0000 0.0085 0.0018 0.0363 0.0217 0.0001 0.0186 0.0022 0.0007 0.0204 0.0119 -0.0000 -0.0000 -0.0000 -0.0000 0.0320 0.0009 0.0246 0.0774 0.0163 0.0010 0.0046 0.1144 0.0039 0.0011 0.0002 0.1175 -0.0000 0.0013 0.0003 0.1480 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 0.0709 0.0083 0.0028 0.1117 0.0217 0.0929 0.0054 0.0033 0.1516 0.0313 0.1155 0.0008 0.0038 0.1652 0.0306 0.1241 0.0010 0.0036 0.1989 0.0234 0.1177 -0.0000 -0.0000 0.1982 0.0029

上表第一行是给定的目标收益率，RF代表无风险资产。我们可以发现，随着给定的月期望收益率的增加，无风险资产中的平均投资比例在降低，由0.57降低到了0.10，而采掘业（2）的平均投资比例由0.29增加到了0.42，其余行业的平均投资比例较低。

4.2.5实证结果

检验期目标收益率的投资业绩

0.0083 0.0125 0.0167 0.0208 0.0250 0.0292 0.0333 0.0375 0.0417 SHCI 盈利倍数 2.8807 3.8756 5.9302 6.6258 7.0054 6.9121 6.4702 6.8681 7.4240 3.7412 隐含月收益 0.0111 0.0142 0.0187 0.0199 0.0205 0.0203 0.0196 0.0203 0.0211 0.0138

均值 0.0122 0.0161 0.0216 0.0236 0.0245 0.0248 0.0243 0.0252 0.0262 0.0168 标准差 0.0492 0.0626 0.0798 0.0911 0.0952 0.0995 0.1019 0.1050 0.1066 0.0794 夏普系数 0.2095 0.2257 0.2470 0.2378 0.2375 0.2297 0.2193 0.2213 0.2273 0.1875 上表告诉我们，当给定的目标收益率上升时，模拟组合的均值在上升，并且接近于给定的目标收益率，同时标准差也在上升，但风险均远远小于各种单个风险资产组合的风险。另外，9个模拟组合的8个模拟组合盈利倍数超过了上证综指，并且夏普系数保持在大致相同的水平，均超过了上证综指的夏普系数，模拟组合的夏普指数均大于单个资产投资的夏普系数。

4.3 结论

结果表明按照行业分类选股，当目标收益率增加时，风险也在增加，但夏普比例保持在大致相同的水平，均高于上证综指的夏普系数，说明通过均值-DCC-GARCH模型模型，达到了规避风险的目的。但夏普系数不如因素模型的效果好，说明按照行业分类的模拟效果比因素模型的模拟效果差。

五、行业市盈率分类与实证结果

5.1 行业市盈率分类与资产业绩

5.1.1行业市盈率分类

在样本期1997年01月至2007年12月的每个月初，首先剔除市盈率为负、市静率为负、ST以及停盘的股票，然后根据股票所在行业分为13个资产组合，分别用数字1到13表示，再在每个组合中按照市盈率的大小从小到大进行排序，根据中位数将每组分为两组，记为L与H，这样进行交叉组合在每月初共得到26个资产组合。

5.1.2 样本期资产业绩

对于每个资产组合，换手率计算为卖出和买进股票个数的平均值占该月资产组合中股票个数的比例，交易费用固定为3.5‰，这样利用滚动投资策略就可以得到该种资产类型的投资业绩。

样本期26类资产的月收益均值和风险

1L 1H 2L 2H 3L 3H 4L 4H 5L 5H 6L 6H 平均换手率 0.1275 0.1538 0.1098 0.1185 0.0973 0.1114 0.1141 0.1321 0.1077 0.1300 0.1103 0.1200 盈利倍数 10.1484 1.8457 42.9117 8.7255 16.3097 3.1353 15.2667 3.1196 6.2041 8.0901 19.5085 3.6719 均值 0.0217 0.0098 0.0347 0.0226 0.0254 0.0128 0.0249 0.0130 0.0183 0.0217 0.0261 0.0136 标准差 0.0912 0.1033 0.1134 0.1128 0.0934 0.0930 0.0944 0.0962 0.0966 0.1107 0.0838 0.0886 夏普指数 0.2050 0.0656 0.2796 0.1737 0.2401 0.1059 0.2326 0.1046 0.1582 0.1688 0.2758 0.1201 41

7L 7H 8L 8H 9L 9H 10L 10H 11L 11H 12L 12H 13L 13H SHCI 0.1186 0.1341 0.1005 0.1134 0.0946 0.1204 0.1138 0.1308 0.1180 0.1428 0.0799 0.1056 0.1186 0.1303 16.5606 2.5640 16.5525 3.6540 16.2907 8.4688 16.9298 3.0291 12.8501 2.6495 16.6688 3.9062 14.8025 2.9875 5.7026

0.0263 0.0126 0.0256 0.0145 0.0266 0.0210 0.0265 0.0128 0.0238 0.0116 0.0280 0.0177 0.0255 0.0131 0.0163 0.1023 0.1080 0.0938 0.0992 0.1086 0.1003 0.1019 0.0951 0.0975 0.0940 0.1220 0.1219 0.1032 0.1012 0.0793 0.2282 0.0893 0.2409 0.1162 0.2178 0.1799 0.2307 0.1028 0.2140 0.0921 0.2049 0.1206 0.2179 0.1002 0.1676 上表显示出各种资产的平均换手率在10%左右。盈利倍数在2-40倍之间，在几乎每个行业中，市盈率低的业绩优于市盈率高的业绩，其中低市盈率采掘业（2L）的盈利倍数最高，超过了40倍，次之的低市盈率交通运输、仓储业（6L）接近20倍，最低的高市盈率农、林、牧、渔业（1H）接近2倍。低市盈率采掘业（2L）的月收益均值最大，超过了0.03，其夏普比率也越大，达到了0.27。

5.1.3 检验期资产业绩

检验期26个资产的收益均值和风险

1L 1H 2L 2H 3L 3H

盈利倍数 5.1579 1.3951 18.9885 5.2485 9.2141 2.0944 隐含月收益 0.0172 0.0035 0.0311 0.0174 0.0234 0.0077 42

均值 0.0213 0.0087 0.0365 0.0233 0.0276 0.0122 标准差 0.0927 0.1053 0.1099 0.1131 0.0965 0.0979 夏普指数 0.2088 0.0644 0.3145 0.1891 0.2661 0.1051 4L 4H 5L 5H 6L 6H 7L 7H 8L 8H 9L 9H 10L 10H 11L 11H 12L 12H 13L 13H SHCI 6.3311 2.2500 3.9582 3.5860 8.3115 2.0201 4.6766 1.0530 8.6308 2.3427 12.2900 5.3972 8.5016 2.2500 6.3931 2.5729 7.4732 1.4156 4.8420 1.6962 3.7412 0.0194 0.0085 0.0144 0.0134 0.0223 0.0074 0.0162 0.0005 0.0227 0.0089 0.0265 0.0177 0.0225 0.0085 0.0195 0.0099 0.0212 0.0036 0.0166 0.0055 0.0138

0.0234 0.0132 0.0188 0.0185 0.0252 0.0111 0.0209 0.0060 0.0268 0.0139 0.0319 0.0229 0.0273 0.0133 0.0239 0.0146 0.0275 0.0109 0.0214 0.0104 0.0168 0.0951 0.1004 0.0980 0.1045 0.0785 0.0902 0.1010 0.1087 0.0955 0.1037 0.1113 0.1056 0.1019 0.1006 0.0992 0.0996 0.1234 0.1224 0.1046 0.1027 0.0794 0.2261 0.1121 0.1725 0.1588 0.2958 0.1021 0.1876 0.0378 0.2607 0.1152 0.2690 0.1983 0.2489 0.1125 0.2212 0.1268 0.2075 0.0736 0.1865 0.0824 0.1875 5.2 均值-DCC-GARCH模型

5.2.1动态均值

检验期平均期望收益与平均实际收益 1L 1H 2L 2H 3L 3H 4L 4H 5L 平均期望收益 0.0117 0.0008 0.0239 0.0127 0.0133 0.0054 0.0157 0.0059 0.0074 平均实际收益 0.0222 0.0098 0.0373 0.0242 0.0283 0.0130 0.0242 0.0141 0.0196 43

5H 6L 6H 7L 7H 8L 8H 9L 9H 10L 10H 11L 11H 12L 12H 13L 13H 0.0112 0.0186 0.0060 0.0180 0.0068 0.0147 0.0064 0.0107 0.0128 0.0139 0.0047 0.0140 0.0023 0.0201 0.0112 0.0170 0.0068

0.0195 0.0259 0.0120 0.0217 0.0070 0.0275 0.0147 0.0325 0.0238 0.0281 0.0142 0.0247 0.0156 0.0281 0.0117 0.0223 0.0113 平均实际收益超过了平均期望收益，低市盈率行业的平均实际收益和平均期望收益均远超过高市盈率行业的平均实际收益和平均期望收益，说明因素对收益的影响要超过行业对收益的影响，2L（低市盈率采掘业）平均期望收益和平均实际收益均达到了最大，分别为0.0239和0.0373。

5.2.2 动态风险

平均协方差矩阵和平均相关系数矩阵均是26×26矩阵，这里省略。

5.2.3 动态有效前沿

26个圆圈代表26个资产，其中红色星圆圈代表低市盈率采掘业。

2000年01月有效前沿 2007年12月有效前沿

5.2.4 平均投资比例

对于[0.10,0.15,0.20,0.25,0.30,0.35,0.40,0.45,0.50]/12中的任一个目标收益率，根据检验期的96个有效前沿，均可以得到无风险资产与26种风险资产的投资比例，将任一种资产的投资比例平均，就得到了无风险资产与26种风险资产的平均投资比例。

平均投资比例

0.0083 0.5628 0.0007 0.0108 0.1927 0.0006 0.0125 0.3766 0.0011 0.0179 0.2987 0.0009 0.0167 0.2400 0.0016 0.0250 0.3876 0.0013 0.0208 0.1492 0.0021 0.0301 0.4600 0.0013 0.0250 0.0899 0.0026 0.0280 0.5178 0.0292 0.0569 0.0031 0.0238 0.5183 0.0333 0.0342 0.0036 0.0163 0.5109 0.0375 0.0195 0.0024 0.0074 0.5056 0.0417 0.0071 0.0001 0.0011 0.5047 RF 1L 1H 2L 2H 3L 3H 4L 4H 5L 5H 6L 6H 7L 7H 8L 8H 9L 9H 10L 10H

-0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 0.0001 0.0012 0.1754 0.0001 0.0049 0.0001 0.0020 0.2090 0.0001 0.0082 0.0002 0.0028 0.2082 0.0002 0.0115 0.0002 0.0044 0.1904 0.0003 0.0217 0.0001 0.0059 0.1778 0.0003 0.0474 0.0001 0.0071 0.1473 0.0002 0.0709 -0.0000 -0.0000 -0.0000 0.0092 0.1106 0.0103 0.0723 0.0123 0.0626 -0.0000 -0.0000 -0.0000 0.1177 0.1450 0.2013 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 0.0012 0.0000 0.0076 0.0044 0.0018 0.0021 0.0000 0.0130 0.0071 0.0033 0.0031 0.0000 0.0157 0.0091 0.0047 0.0040 0.0049 0.0058 0.0068 0.0077 0.0082 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 0.0229 0.0017 0.0062 0.0361 0.0018 0.0068 0.0504 0.0007 0.0070 0.0677 0.0000 0.0081 0.0851 0.0000 0.0092 0.0961 0.0000 0.0101 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 45

11L 11H 12L 12H 13L 13H 0.0034 -0.0000 0.0185 0.0014 0.0118 0.0007 0.0057 0.0000 0.0311 0.0023 0.0194 0.0011 0.0080 0.0000 0.0486 0.0032 0.0278 0.0015 0.0098 0.0114 0.0129 0.0145 0.0113 0.0054 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000 0.0466 0.0050 0.0422 0.0018 0.0324 0.0022 0.0346 0.0363 0.0021 0.0573 0.0329 0.0031 0.0645 0.0274 0.0030 0.0940 0.0248 0.0027 0.0636 -0.0000 -0.0000 -0.0000 -0.0000 -0.0000

上表第一行是目标收益率，RF代表无风险资产。我们可以发现，随着目标收益率的增加，无风险资产的平均投资比例在降低，由0.56降低到了0.00，其余风险资产的平均投资比例基本上在增加，低市盈率采掘业（2L）的平均投资比例由0.19增加到了0.50。

5.2.5 实证结果

检验期目标收益率的模拟业绩

0.0083 0.0125 0.0167 0.0208 0.0250 0.0292 0.0333 0.0375 0.0417 SHCI 盈利倍数 3.0095 4.4197 6.0554 7.9123 8.6318 8.4475 8.6802 8.6346 8.7798 3.7412 隐含月收益 0.0115 0.0156 0.0189 0.0218 0.0227 0.0225 0.0228 0.0227 0.0229 0.0138

上表告诉我们，当给定的目标收益率上升时，模拟组合的均值在上升，并且接近于给定的目标收益率，同时标准差也在上升，但风险均远远小于各种单个风险资产组合的风险。另外，9个模拟组合的8个模拟组合盈利倍数超过了上证综指，并且夏普系数保持在大致相同的水平，均超过了上证综指的夏普系数，模拟组合的夏普指数均大于单个资产投资的夏普系数，说明通过均值-DCC-GARCH模

均值 0.0123 0.0171 0.0212 0.0247 0.0268 0.0268 0.0272 0.0273 0.0278 0.0168 标准差 0.0405 0.0565 0.0689 0.0798 0.0987 0.1001 0.1011 0.1029 0.1064 0.0794 夏普系数 0.2571 0.2691 0.2792 0.2854 0.2523 0.2482 0.2497 0.2464 0.2429 0.1875 46

型，达到了规避风险的目的。

5.3 结论

按照行业市盈率分类的模拟效果优于按照行业分类的模拟效果，但是劣于因素模型的模拟效果。

六、实证结果总结

影响实证业绩的最主要因素是资产分类的方法，其次是期望收益的计量方法，最后是风险的计量方法。期望收益对业绩的影响要远大于风险的影响。

资产分类的方法中，因素分类优于行业市盈率分类，行业市盈率分类优于行业分类。期望收益计量方法中，均值模型优于AR（1）模型。风险计量方法中，方差，VaR，CVaR 和DCC-GARCH模型的结果相差不大。

因素分类中的均值-DCC-GARCH模型告诉我们，9个模拟组合的盈利倍数均超过了上证综指，当给定的目标收益率上升时，模拟组合的均值在上升，并且接近于给定的目标收益率，同时标准差也在上升，但风险均远远小于各种单个风险资产组合的风险，并且夏普系数均远远超过了上证综指的夏普系数，说明通过均值-DCC-GARCH模型，达到了规避风险的目的，得到了比较理想的模拟结果。

附录1给出了SHCI，股票个数以及无风险利率

附录2给出了剔除股票个数以及业绩（1997年01月至2007年12月）附录3给出了因素分类中资产业绩（1997年01月02日-2007年12月28日）附录4给出了因素分类中资产业绩（2000年01月04日-2007年12月28日）附录5给出了因素分类中DCC-GARCH模型的结果（2000年01月04日-2007年12月28日）

参考文献

1. Aslihan Altay-Salih,Gulnur Muradoglu,Muhammet Mercan,Performance of

the efficient frontier in an emerging market setting,Applied Economics Letters,2002,9,177-183

2. Donald R.Lessard.World,national,and industry factors in equity

returns.The Journal of Finance.May,1974,379-391.

3. King B.F.Market and industry factors in stock price behavior.Journal

of Business.1966,139-190.

4. Livingston Millen.Industry movement of common stocks.Journal of

Finance,1977,861-874.

5. Richard Roll.Industrial Structure and the comparative behavior of

international

stock

market

indices.

The

Journal

Finance.March,1992,3-41.

6. Tobias J.Moskowitz ,Mark Grinblatt.Do industries explain momentum?

The Journal of Finance.August,1999,1249-1290.

7. Schwert G W.Stock market volatility in the new millennium:How wacky

in Nasdaq?Journal of Monetary Economics,2002,3-26.

8. Ball and Ray, 1978. ”Anomalies in relationships between securities’

yields and yield-surrogates”, Journal of Financial Economics, 6, 103-126

9. Stattman and Dennis, 1980. ”Book values and stock returns”, The

Chicago MBA: A Journal of Selected Papers, 4, 25-45

10. Judy Rayburn, 1986. ”The Association of Operating Cash Flow and

Accruals with Security Returns ”, Journal of Accounting Research, Vol.24:112-133

11. Fama, E.F. and K.R. French, 1992. “The cross-section of expected

stock returns”, The Journal of Finance, Vol. XLVIL, No 2, June: 427-465

12. Fama, E.F and K.R. French, 1993. “Common Risk Factors in the Returns

on Stocks and Bonds”, Journal of Financial Economics, Vol. 33, No.

1, January: 3-56

13. Fama, E.F.and K.R.French, 1996. ”The CAPM is Wanted, Dead or Alive”,

The Journal of Finance, Vol. LI, No 5, December: 1947-1958 14. Fama, E.F, and K.R. French, 1998. “Value versus Growth: The

International Evidence”, The Journal of Finance, Vol. 53, No. 6, December: 1975-1999

15. Fama, E.F., and K.R. French, 2001. “Disappearing Dividends: Changing

Firm Characteristics or Lower Propensity to Pay?”, The Journal of Financial Economics, Vol. 60, No. 1, April: 3-43

16. Elroy Dimson, Stefan Nagel and Garrett Quigley, 2003. “Capturing the

Value Premium in the U.K. 1955-2001”, Working Paper

17. Lu Zhang, 2005. ”The Value Premium”, The Journal of Finance”, Vol.

LX, No 1, February: 67-103

18. P Jorion. Value at risk: The new benchmark for controlling market

risk[M]. New York: McGraw-Hill Companies, Inc, 1997.

19. Das S R, Uppal R. The effect of systemic risk on international

portfolio choice. Working Paper, Harvard University, 1999. 20. Rflung G Ch．Some Remarks on the Value-at-Risk and the Conditional

Value-at-Risk. Boston：Kluwer Academic Publishers,2000.

21. Alexander G, Baptista A. Value at risk and mean—variance analysis.

Working Paper, University of Minnesota, 1999.

22. Alexei A. Gaivoronski, Georg Pflug. Properties and computation of

Value at Risk efficient portfolios based on historical data. 23. Bollerslev T. ，1990, Modelling the coherence in short-run nominal

exchange rates: A multivariate generalized GARCH approach，Review of Economics and Statistics, 72 (3).

24. Engle R F., 2002, Dynamic conditional correlation-A simple class of

multivariate GARCH models. Journal of Business and Economic Statistics ,20.

25. 陈信元，张田余，陈冬华，2001。“预期股票收益的横截面多因素分析：来

自中国证券市场的经验证据”，金融研究，第6期：22-35

26. 黄兴旺，胡四修，郭军，2002。“中国股票市场的两因素模型”，当代经济科

学，第24卷，第5期：50-57

27. 陆静，廖刚，2002。“市盈率，市净率和自由现金流乘数与证券组合收益的

比较”，经济管理，第14期：57-62

28. 王晋斌，2004。“价值溢价：中国股票市场1994-2002”，金融研究，第三期：

79-88

29. 吴世农，许年行，2004。“资产的理性定价模型和非理性定价模型的比较研

究：基于中国股市的实证分析”，经济研究，第6期：105-116

30. 邓长荣、马永开，中国证券市场三因素模型敏感系数稳定性和可预测性研究，

电子科技大学学报（社科版），2006年第3期

31. 韩其恒, 于旭光，价值型投资在中国证券市场上的有力证据，上海财经大学

学报，2007，02

32. 范龙振、王海涛，中国股票市场行业与地区效应分析，管理工程学报，2004

年第1期

33. 郭庆华、付庆华，我国股票市场有效前沿的实证分析——对马科维茨模型的

验证，思想战线，2003年第1期

34. 张炜、曾勇，投资组合再抽样方法及其在沪市A股的实证研究，金融管理，

2006年第5期

35. 徐丽梅、吴光伟，引入流动性的证券投资组合模型构建与实证研究，系统工

程理论与实践，2007年6月

36. 劳兰珺、邵玉敏，中国股票行业收益率序列动态聚类分析，财经研究，2004

年第4期

37. 鞠英利，论现代投资组合理论在我国的实际应用，现代财经，2007年第6

期

38. 熊胜君、杨朝军，沪深股票市场行业效应与投资风格效应的实证研究，系统

工程理论与实践，2006年4月

39. 徐立新、郭国雄、栾长福，股票组合的风险变动规律及最佳组合有效前沿—

—Markowitz理论在深圳证券市场的应用实证，华南理工大学学报（自然科学版），2001年9月

40. 刘志东. 不同均值——风险准则下的资产组合有效前沿比较研究.经济数

学,2006年3月第23卷第1期:26-35.

41. 金秀,黄小原,马丽丽.基于VaR的多阶段金融资产配置模型.中国管理科

学,2005年8月第13卷第4期:13-16.

42. 屠新曙,王春峰.最佳均值VAR 投资组合问题的研究.湘潭大学自然科学学

报,2002年6月第24卷第2期:13-17.

43. 汪洋.金融市场风险管理——VaR模型的应用[D].上海：复旦大学，2003. 44. 胡经生，王荣，丁成.VAR方法及其拓展模型在投资组合风险管理中的应用研

究[J].数量经济技术经济研究,2005年第5期:141-150.

45. 姚京、袁子甲、李仲风. 基于相对VaR的资产配置和资本资产定价模型. 数

量经济技术经济研究,2005年第12期:133-142.

46. 安起光、王厚杰、张文清. 基于机会约束的均值)VaR投资组合模型研究. 山

东大学学报（理学版）2005年12月第40卷第6期:49-54.

47. 刘小茂,李楚霖,王建华. 风险资产组合的均值—CVaR有效前沿(Ⅱ). 管理

工程学报,2005年第1期:1-5.

48. 刘志东. 不同均值—风险准则下的资产组合有效前沿比较研究. 经济数

学,2006年3月第23卷第1期:26-35.

49. 丁立刚、唐俊. CVaR约束下最优投资组合[J]. 内蒙古大学学报(自然科学

版), 2007年9月第38卷第5期:481-484.

50. 刘国光、张兵，2005，基于DCC多元GARCH模型的股票收益和交易量相关性分

析.盐城工学院学报（自然科学版），第18卷第3期。

51. 谷耀、陆丽娜，2006，沪、深、港股市信息溢出效应与动态相关性—基于

DCC-(BV)EGARCH-VAR的检验.数量经济技术经济研究，第8期。

52. 吕亮雯，2006，DCC-MVGARCH模型计算方法研究及在金融市场中的应用。暨

南大学

附录1：SHCI，股票个数以及无风险利率的图示

1997年01月02日-2007年12月28日上证综指（SHCI）

1997年01月至2007年12月沪深股票的个数

1997年01月-2007年12月无风险收益

附录2：剔除的股票个数及业绩（样本期1997年01月至2007年12月）

市盈率为负、市静率为负、ST以及停盘的股票个数

市盈率为负股票的个数以及与SHCI业绩的比较

市静率为负股票的个数以及与SHCI业绩的比较

ST类股票的个数以及与SHCI业绩的比较

附录3：因素分类中资产业绩

（样本期1997年01月02日-2007年12月28日）

每种资产所包含的股票个数

10种资产在不考虑交易费用时的资金曲线

10种资产考虑交易费用时的资金曲线

附录4：因素分类中资产业绩

（检验期2000年01月04日-2007年12月28日）

10种资产在不考虑交易费用时的资金曲线

10种资产考虑交易费用时的资金曲线

附录5：因素分类中DCC-GARCH模型的结果（检验期2000年01月04日-2007年12月28日）

资产LS的预测月收益（蓝色线）与实现月收益（红色线）

目标收益率[0.10,0.15,0.20,0.25,0.30,0.35,0.40,0.45,0.50]/12的模拟业

绩

SHCI与目标收益率0.10/12的模拟业绩比较

SHCI与目标收益率0.30/12的模拟业绩比较

资产LS与目标收益率0.50/12的模拟业绩比较

因篇幅问题不能全部显示，请点此查看更多更全内容

查看全文

全部栏目

我国A股股票市场有效前沿实证研究