原创《证券市场高频统计套利策略》：本文是一篇关于套利论文范文，可作为相关选题参考,和写作参考文献。
摘 要：通过Fama-French三因子模型优化统计套利策略,增强配对股票间长期均衡关系的解释力度,利用A股市场同行业内系统聚类分析所得股票组合检验套利效果的结果表明,基于Fama-French三因子模型的统计套利策略具有持仓周期短、交易机会多、累计收益率高的特点.
关 键 词：统计套利；系统聚类；三因子模型；高频数据
中图分类号：F830.91 文献标识码：A 文章编号：1006-3544（2014）03-0033-06
统计套利是一种重要的量化投资策略,通过跟踪具有长期稳定关系的两只股票的价格,当两者之间出现短期异常偏离时,分别持有相对高估股票的空头和相对低估股票的多头,而当两者之间的关系再度恢复到长期均衡关系时平仓获利.统计套利相对独立于市场走势,收益比较稳定,风险可控度较高,已在欧美的金融机构中得到积极应用.在当今中国证券市场有效性不断提高和投资者交易策略日趋同质化的背景下,基于传统技术分析和基本分析的交易策略获取超额收益的难度越来越大.统计套利为投资者,特别是机构投资者提供了一种新型的投资方式和盈利模式,有助于更好地把握市场机会,形成多元化的交易体系.
一、文献综述
有关统计套利的研究可以追溯到20世纪80年代中期,摩根斯坦利公司首次提出证券市场存在统计套利的交易机会；Gatev,Goetzmann和Rouwenhorst（2006）从理论上阐述了统计套利的基本交易原则；Bondarenko（2003）则从金融经济学的角度对统计套利进行了完整的界定.
在此基础上, 一些学者对于统计套利建模方法和交易技术展开了研究.Whistler（2004）通过相关系数选择配对股票, 然后综合运用其他基本分析方法与技术分析方法确定建仓与平仓时机；Vidyamurthy（2004）发现,存在协整关系的配对股票具有更多的套利机会和更高的潜在收益率；Elliott、van der Hoek和Malcolm（2005）用一个遵循Vasicek过程的潜在变量拟合均值回复过程,构建了配对交易模型；Bertram（2010）假定配对股票的对数价差满足零均值的O-U过程,探寻了配对股票建仓、平仓信号发出的规律；Mark（2011）发现,股票的对数价差满足O-U过程这一假定,会导致对单位时间期望收益的估计过高和对交易持续时间的估计过低, 尚需进一步改进.总的来说,统计套利的可操作性已在海外市场得到较充分的证实, 协整模型成为统计套利中应用最广泛的技术方法,在配对股票选择、套利模型构建以及交易信号识别等三个统计套利的关键环节上初步形成了理论体系.
由于我国证券市场过去缺乏做空机制,统计套利并未得到有效应用,因而国内相关研究有待深入.方昊（2005）指出,用以构建统计套利策略的配对股票须具有相关性及价格趋同性；崔方达、吴亮（2011）采用最小距离法改进股票配对交易效果； 戴进（2012）、于玮婷（2011）分别将协整模型运用于股指期货、ETF和融资融券标的股票的统计套利研究；王春峰等（2013）认为基于价格差异的配对交易策略在中国市场是可以稳定获利且市场中性的.目前,国内学者虽然基于我国证券市场的数据样本展开了统计套利的实证研究,并在建模方法和交易策略设计上有所改进,但并未突破传统的研究框架.
从已有文献看,统计套利的相关研究需要着重解决以下两个方面的问题：
第一,统计套利模型与经典金融理论的结合有待加强.在量化配对股票长期均衡关系时,仅仅依据配对股票价格序列间的简单数量关系构建均衡模型,未考虑影响股票价格变动的根本驱动因素,缺少资产定价理论的支撑,容易出现样本内模型在样本外不适用的问题.因此,优化统计套利策略需量化个股股价的特质性影响因素并将其纳入配对股票价格均衡关系模型中.
第二,协整模型的局限性有待突破.在判断配对股票波动趋势时,应用最广泛的协整模型仅仅从名义上消除了短期趋势的影响,导致无趋势交易时段过短且套利交易机会数量过少,所获得的套利交易利润往往无法弥补股价单边强趋势下的买卖错位所产生的亏损.因此,优化统计套利策略需改进配对股票价格波动趋势的识别方法,捕捉更多的交易机会.
二、研究方法设计
在优化统计套利策略时,首先选择具有长期稳定关系的配对股票,较高的相关性与价格趋同性为长期均衡关系的量化效果奠定基础；然后,建立配对股票价格的均衡关系模型,简单的价格数量关系不足以解释配对股票的内在联系,有必要引入资产定价模型以增加均衡关系模型的稳定性及解释力度；最后,制定合理的交易策略,有效捕捉来自于短期异常偏离所产生的套利机会.
(一)配对股票选择：系统聚类分析
建立统计套利策略的第一步是筛选与识别配对股票,通过一定的方法寻求高度相关的股票对组合,进而构建数量模型以进一步挖掘配对资产的相关关系.Gatev et al（1999）采用了最短距离法选择价格序列的历史走势相类似的股票对作为交易对象,这与聚类分析的思想相一致.
对观测期内的样本股票做系统聚类分析,识别高度相关的股票对. 每只样本股票在观测期内测得有T项日对数收益率, 则每只样本股均可看作是T维空间的一个点,N个样本股就是T维空间的N个点,则样本股i与样本股j之间的距离记为dij.步骤如下：
1. 计算股票两两距离dij,开始时,每个样本股自成一类,设类Gi与Gj之间的距离为Dij,此时Dij等于dij.
2. 当满足Dpq等于min dij时,将类Gp和 Gq合并成一个新类,记为Gr,则新一类Gk和Gr 的距离为Dkr等于min{Dkp,Dkq}.
3. 重复前两个步骤直至所有的样本股并成一类.
最后根据给出的距离临界值确定分类数及最终要分的类,同类中的股票必然在时间T内具有相似的走势. 由于本文采用聚类分析的主要目的是识别相似度较高的股票对,并非具有相似趋势的股票组,因此仅采用树形聚类图的初次分类结果.
套利论文参考资料：
结论：证券市场高频统计套利策略为关于套利方面的论文题目、论文提纲、现货套利交易论文开题报告、文献综述、参考文献的相关大学硕士和本科毕业论文。
