精通R语言

第10章　技术分析、神经网络和对数优化组合

本章简单介绍了几种可以提高投资组合表现的不同方法：技术分析、神经网络和对数优化组合。这些方法背后的共同思想是：过去的价格运动有助于预测未来趋势。换句话说，我们隐含了价格不服从马尔可夫过程（如说随机行走）的假设，但是它们具备某种长记忆的特性，因此过往模式会在未来重现。总之，市场不是有效的。

在前面部分，我们介绍最常见的技术分析工具，并且给出一些指示案例，关于如何在R环境中编程时使用。在中间部分，我们简要说明了神经网络的概念，并用R的内置函数说明了它的设计。技术分析和神经网络运用于比特币数据库，因此我们关注一项单独资产并寻找买入和卖出的可靠信号。最后，在后面部分，我们讨论所谓的对数优化组合策略，它使我们在长期中优化多种资产（在我们的例子里是一些NYSE的股票）的组合。

本章的主要目的仅仅是鸟瞰概念、最常用的工具以及给出一些编程案例。因此，我们强调，为了简洁我们仅仅试图给你一些领域的洞见，以此鼓励读者去查阅参考书，自学更多并尝试更多工具。

10.1　市场有效性

如果市场的当前价格包含了所有信息，那么市场是有效的。市场弱式有效性要求，最新价格已经包括了过去的价格和成交量图表中可以获得的所有信息。很明显，如果市场至少满足弱式有效性，回报率会与时间独立，并且基于技术分析、神经网络和对数优化组合理论的策略会毫无价值，参见Hull（2009），“股价行为的模型”这一章。

然而，一个给定市场是否有效则纯粹是一个经验问题。你无从确定，真实世界的资产回报率是否独立于时间。因此，你不能把市场有效性当作一种既定事实。我们鼓励你能发明新技术驱动的策略并运用起来，亲自去检验市场有效性。如果你的策略用过去交易的数据校准并证明有足够的稳健性，在未来表现也很好，那么市场会增加你的组合的风险回报，慷慨奖励你的努力，结果你会赢得超额收益。例如，在新兴的货币市场中，研究已经表明，由于流动性和央行干预的原因，市场很少有效，参见Tajaddini-Crack（2012）。相反，大多数技术流派的策略在更发达的美国市场上不能持续奏效，参见Bajgrowicz-Scaillet（2012），Zapranis-Prodromos（2012）。此外，同样的研究表明，当技术化交易成功时，它联合基本面分析会更成功，参见Zwart ...