基于回归模型的股票指数追踪问题实证研究
An Empirical Study of the Stock Index Tracking Problem Based on a Regression Model
摘要: 随着股票价格指数的发展与演变，股指对于投资的作用显得尤为重要。本文采用最小二乘估计、岭估计、绝对约束回归(Lasso)、弹性约束估计及两步估计对深证区块链50指数进行指数追踪，得到相应的投资组合，并将Cp准则和CV准则下的Lasso和岭估计作对比，得出结论：Cp准则下岭估计更好，CV准则下Lasso更好，两步估计下Lasso进行变量选择后用刘估计进行回归效果较好。
Abstract: With the development and evolution of stock price index, the role of stock index in investment is particularly important. This paper uses least squares estimation, ridge estimation, absolute constraint regression (Lasso), elastic constraint estimation and two-step estimation to track the SZSE Blockchain 50 Index to obtain the corresponding investment portfolio. The Lasso and ridge estimation are compared, and it is concluded that the ridge estimation is better under the Cp criterion, the Lasso under the CV criterion is better, and the Lasso performs variable selection under the two-step estimation.
文章引用：周洁. 基于回归模型的股票指数追踪问题实证研究[J]. 运筹与模糊学, 2022, 12(4): 1420-1438. https://doi.org/10.12677/ORF.2022.124151

参考文献

[1] 杨楠. 岭回归分析在解决多重共线性问题中的独特作用[J]. 统计与决策, 2004(3): 14-15.
[2] 薛宏刚, 张锐敏, 胡春萍, 李乃成. 基于岭回归的套期保值方法[J]. 统计与决策, 2012(5): 77-79.
[3] 张家茂, 杨思思. 房地产股价线性模型的变量选择实证研究[J]. 重庆工商大学学报(自然科学版), 2017, 34(4): 35-40.
[4] 张慧伟. 基于弹性估计筛选部分成分股追踪股指变化[J]. 广西质量监督导报, 2018(12): 83-84.
[5] 杨思思. 中证100股票指数回归模型的实证分析[J]. 重庆文理学院学报(社会科学版), 2018, 37(2): 121-126.
[6] 王琪, 冷林峰, 常永莲. 改进岭回归与主成分回归的股指跟踪研究[J]. 重庆理工大学学报(自然科学), 2018, 32(1): 212-221.
[7] Ranstam, J. and Cook, J.A. (2018) LASSO Regression. Journal of British Surgery, 105, 1348-1348. [Google Scholar] [CrossRef] 
[8] 韩笑, 滕兴虎, 窦婷. 基于银行类指数及其成分股的分析和预测[J]. 统计学与应用, 2020, 9(4): 506-514.
[9] 深圳证券交易所. 关于发布深证区块链50指数的公告[EB/OL]. http://www.szse.cn/disclosure/notice/general/t20191224_572813.html, 2019-12-24.
[10] 太思梦. 两类改进LIU估计在股指追踪中的应用[D]: [硕士学位论文]. 重庆: 重庆大学, 2019.
[11] Hoerl, A. and Kennard, R. (1970) Ridge Regression: Biased Estimation for Nonorthogonal Problems. Technometrics, 12, 55-67. [Google Scholar] [CrossRef] 
[12] 杨虎, 杨玥含. 金融大数据统计方法与实证[M]. 北京: 科学出版社, 2016: 122-123.
[13] Tibshirani, R. (1996) Regression Shrinkage and Selection via the Lasso. Journal of the Royal Statistical Society: Series B (Methodological), 58, 267-288. [Google Scholar] [CrossRef] 
[14] 蒋翠侠, 刘玉叶, 许启发. 基于LASSO分位数回归的对冲基金投资策略研究[J]. 管理科学学报, 2016, 19(3): 107-126.
[15] 张靖, 胡学钢, 李培培, 张玉红. 基于迭代Lasso的肿瘤分类信息基因选择方法研究[J]. 模式识别与人工智能, 2014, 27(1): 49-59. [Google Scholar] [CrossRef] 
[16] 彭胜银. 基于Lasso分位数的非负两阶段方法及在标普500指数追踪的应用[D]: [硕士学位论文]. 重庆: 重庆大学, 2019.
[17] Efron, B., Hastie, T., John-stone, I. and Tibshirani, R. (2004) Least Angle Regression. Annals of Statistics, 32, 407-499. [Google Scholar] [CrossRef] 
[18] 梁斌, 陈敏, 缪柏其, 黄意球, 陈钊. 基于LARS-Lasso的指数跟踪及其在股指期货套利策略中的应用[J]. 数理统计与管理, 2011, 30(6): 1104-1113.
[19] 梁斌. 股指期货套期保值和套利策略研究[D]: [博士学位论文]. 合肥: 中国科学技术大学, 2010.
[20] Liu, K. (1993) A New Class of Blased Estimate in Linear Regression. Communications in Statistics—Theory and Methods, 22, 393-402. [Google Scholar] [CrossRef] 
[21] Liu, K.J. (2003) Using Liu-Type Estimator to Combat Collinearity. Communications in Statistics Theory & Methods, 32, 1009-1020. [Google Scholar] [CrossRef] 
[22] Zou, H. and Hastie, T. (2005) Regularization and Variable Selection via the Elastic Net. Journal of the Royal Statistical Society: Series B, 67, 301-320. [Google Scholar] [CrossRef] 

为你推荐