資源描述：
《我國證券投資基金分類實證分析》由會員上傳分享，免費在線閱讀，更多相關內容在工程資料-天天文庫。
1、我國證券投資基金分類實證分析劉小銘*研究方向：數理經濟與計量經濟學（華僑大學商學院泉州362000）摘要：本文利用自組織特征映射（SOM）神經網絡，對我國2003年10月1日前發(fā)行的54只開放式基金進行了分類，并在此基礎上利用學習向量量化（LVQ）神經網絡對其他基金進行歸類，取得較好的效果，說明了神經網絡在基金分類應中的有效性。最后利用該模型我國開放基金分類變化情況進行分析，結果顯示我國的證券投資基金的績效持續(xù)性差，但已逐步走向理性的發(fā)展方向。關鍵詞：神經網絡基金分類績效一、引言自1997年10月《證券投資基金
2、管理暫行辦法》頒布以來，我國證券投資基金業(yè)取得迅速的發(fā)展，截止2004年底，我國的證券投資基金已發(fā)展到154只。面對不斷增加的基金，基金投資者的選擇范圍來越大，選擇的難度也越來越大。因此，一個準確的基金分類是必需的，因為有效的基金分類可以幫助投資者將其資金分配到不同類別的基金中，以期達到分散風險、獲得合意的收益的效果；同時，基金所屬類別的變化在很大程度上反映了基金績效持續(xù)性，這也是投資者非常關注的一個問題。目前，對基金業(yè)績進行分類，主要采用基金投資的標的的原則。如西班牙的證券市場全國委員會（CNMV）按照基金投
3、資的對象及相應的比例把基金分類十類⑴，國內的中信基金評價系統(tǒng)將國內所有的基金分成股票基金、債券基金、混合基金、貨幣基金和指數基金五大類，銀行證券將開放式基金分為偏股型、股債平衡型、偏債型和債券型四大類。但是國內外一些學者研究發(fā)現(xiàn)，多數基金的類別與其宣稱的有很大的差異。MaratheandShawky(1999)⑵使用多元統(tǒng)計中的聚類分析方法，對美國的共同基金進行分類，發(fā)現(xiàn)美國43%的基金的風格與其宣稱的不同。類似的結論也出現(xiàn)在Kim、Shukla、Thomas(2000)⑶，劉煜輝和熊鵬（2003）⑷的研究中。
4、因此，學術界逐漸傾向于采用基金市場表現(xiàn)的相關指標對基金進行分類。6現(xiàn)有的根據基金市場表現(xiàn)相關指標對基金進行分類的方法，主要是采多元統(tǒng)計方法。但是，多元統(tǒng)計的分類準確率并不高。因此，本文擬采用在擬合數據數據方面具有很高優(yōu)越性的神經網絡方法對基金進行分類，所依據的指標為基金在市場上表現(xiàn)的幾個主要指標——平均收益率、β系數、標準差、詹森系數，所有指標皆為季度數據，相關數據則來自深圳市天軟科技開發(fā)有限公司的金融分析.NET數據庫。二、基于神經網絡的基金分類模型該基金分類模型首先是利用SOM神經網絡對基金進行聚類；然后利
5、用該結果訓練LVQ神經網絡，從而建立完整的基金分類模型。由于SOM神經網絡本身無法決定聚類數目，因此，在決定最佳分類數方面采用輪廓系數算法(silhouettecoefficient)來評估。1.SOM神經網絡SOM神經網絡是由芬蘭赫爾辛基大學神經網絡專家Kohonen教授在1981年提出的類似大腦思維的一種人工神經網絡方法，它是一種競爭學習算法，可以被認為是一種從N維模式空間各點到輸出空間少數點的映射。這一映射由系統(tǒng)本身完成，沒有外部的監(jiān)督，即聚類是以自組織的方式實現(xiàn)的。SOM采用無監(jiān)督方式訓練，訓練完成后，
6、分類信息存儲在網絡各節(jié)點連接權值向量中，與權值向量相似的輸入向量將分為一類。具體算法見⑸。2.輪廓系數(silhouettecoefficient)由于SOM采用無監(jiān)督方式訓練，無法事先確定分類的數目，因此必須采用某種分類效果的參數進行評價。本文采用常用的輪廓系數（Kaufman，Rousseeuw1990）⑹來評估SOM網絡的分類效果。在計算輪廓系數時，先考慮在各個分類數k下，每個點(樣本)分到適當的類中的效率，然后把對求平均值，的值越接近1說明把樣本分成k類的效果越好。某個點的計算方法如下：記a為點i與所在
7、類中其它點的平均距離，記b為點i與最接近點i所在類的類中各點的平均距離，則當時，，當時，，一般來說第二種情況是不會出現(xiàn)的。的取值范圍聚類效果關系如表1.輪廓系數聚類效果0.71-1.00分類是高效率的、令人信服0.51-0.71分類合理0.26-0.50分類缺乏說服力≤0.25沒有任何實際的分類表1.輪廓系數與聚類效果關系⑺63.LVQ神經網絡LVQ神經網絡是相當新的類神經網絡模式，自1988年Kohonen提出此模式以來，由于這種網絡學習速度比倒傳遞網絡(BPN)快，而且可以提高SOM網絡識別的正確論，因此頗
8、受重視。LVQ分類器可以將輸入空間分成幾個不相交的區(qū)域。當有足夠的輸入矢量和適當數目的參考矢量時，LVQ的分類邊界最終會逼近最佳貝葉斯決策邊界。LVQ神經網絡主要LVQ1和LVQ2兩種算法，一般情況下兩種算法得出的結論差不多，本文采用LVQ1算法，具體算法見⑻。三、數據處理與分析本文分析的對象為我國2003年10月1日以前發(fā)行的54只開放式證券投資基金，研究區(qū)間為2003年第四季至20
