顯示具有 熱鬧指數 標籤的文章。 顯示所有文章
顯示具有 熱鬧指數 標籤的文章。 顯示所有文章

【祿】主板熱鬧指數(實戰、下篇)—— 成交熾熱必然有股災?

導讀:2018年開局以來港股可謂價量齊升,恆生指數屢創新高、大市成交量亦節節上升,近日成交量更迫近 2,000 億。參考歷史主板成交量,紀錄高位為 2015/4/9 的 2,906 億;而以曆月平均計,歷史紀錄為 1,981 億。所以 2,000 億成交絕對不容小覷,然而成交熾熱過後是否必然有股災?筆者的「主板熱鬧指數」正嘗試解答這個問題。在 12 月市場淡季時研究的成果,想不到這麼快就能派上用場!


感謝讀者熬過了筆者上篇發的統計癮 :P 上回提要為筆者開發了「主板熱鬧指數」,指數每曆月發表一次,其定義為:

主板熱鬧指數 X點,表示考慮歷史趨勢後,
該曆月的成交比例(每日平均成交額相對於主板平均市值)
高於歷史中所有月份的 X%。

指數依然是 0-100 為限,指數愈高代表主板交投愈熾熱,指數愈低代表主板交投愈死寂。

好了,花了這麼多力氣,好不容易才開發了一個指數,是時候檢測一下其實戰能力了。


Q1: 回答 Roy 兄的問題,大市成交量可否解決 2015 大時代的問題(即 2015 大時代高點時沸騰指數僅報 48 點相對安全的水平,但大市及後一年之內最多仍瀉 35%)?

最簡單的答案是肯定的,留意就算不開發「主板熱鬧指數」,單看大市成交比例的紅色折線,歷史中的四大飆升位分別對應 87年股災、97年亞洲金融風暴、08年金融海嘯和 15年大時代,不就已經說明了成交量何其有用嗎?




但這個推論有個問題,就是「馬後炮」!


  • 第一,要知道 87、97 和 08年三次股災,伴隨的是大市估值過高(三次股災前沸騰指數也報超過 94 點)。如果時空回到 2015 大時代之前,投資者所認識的大跌市都會伴隨著「雙高」(高估值、高成交量;即高「沸指」和高「鬧指」)的出現,那大時代鬧指爆燈但沸指正常,投資者要相信哪個?
  • 第二,如果我們科學數據化一點,四大飆升位也不是僅有的高位,如果出現了其他「相對的高位」,投資者又應如何理解及處理?


這個時候讓我們取出歷史上「熱鬧指數」相對的高位(95點以上),伴以沸騰指數及恆指往後的表現。留意「熱鬧指數」1996年12月以後才被定義,因此分析並未能包含 87 年股災:




筆者從以上數據的觀察:

  • 過往十年一遇的兩大股災「亞洲金融風暴」和「金融海嘯」,大市均持續數個月熾熱(見表中橙黃色部份),而且兩次的最高點(表中綠色)均出現在交投熾熱期間,即觀察大市成交量或「主板熱鬧指數」應能給予投資者足夠時間逃生。
  • 其餘交投熾熱的月份為「突強」的月份,熱鬧指數從較低的水平飆高一個月後便回落。從上表可見,這些月份的表現大多與其恆指沸騰指數相符,即「主板熱鬧指數」身處高位這個事實並沒有提供額外的價值。
  • 大時代於 2015年 4月的成交額突強屬於後者(表中藍色),所以就算其時熱鬧指數已經誕生,也不一定能協助投資者逃過一劫。
  • 值得留意的是亞洲金融風暴後的 1998 年8月,其時沸騰指數只報 7 點未滿而熱鬧指數高踞 98 點以上,結果一年後恆生指數回升接近一倍!事後孔明原來當時是暑假大減價,投資者都在掃平貨,可見成交熾熱過後不一定是股災,必須配合當時的大市估值。

小結:只能夠說,現在經過大時代一役的我們,經一事長一智,對於突如其來暴升的成交額要注意一下;但對於連續數月的股市熾熱,依歷史兩次實測,似乎是音樂椅遊戲快要完結的時候,還是在別人勁歌熱舞時悄悄走到逃生口吧。


Q2:  反過來說,當市況死寂的時候,後市又會如何?

這回筆者抽取歷史上「熱鬧指數」相對的低位(15點以下),並將這些月份的沸騰指數由低至高排列:




筆者在市況死寂時的觀察:

  • 最明顯的觀察,就是大市在死寂時幾乎沒有大調整的風險。根據歷史數據,當「大市熱鬧指數」在 15 點以下,以月末點數計,其後 12 個月並沒有出現 25% 以上的調整(其實 20 點以下也沒有發生過)。最差的一次調整也不足 20%,而且該次的沸騰指數也達到建議「沽貨」的 80.18。
  • 在市況死寂的時候入市,後市的表現往往比歷史平均理想。從上表可見,交投死寂月份恆指一年後的平均表現,竟是大市平均的 2.5 倍!上表淺綠色正表示回報優於大市平均的情況,可謂比比皆是!最佳表現平均也許與大市同步,但最差表現平均只有 -4%。換句話說,交投死寂過後往往是升市,是防守性相對較強的入市時刻。
  • 當然當中一部份原因是市況死寂多數也是股市相對低位的時候,這單純根據沸騰指數入市也可以有不錯的表現;但筆者特別留意到當沸指在「等待」(40-80 點)水平時,如果大市交投死寂,歷史數據顯示後市往往有不錯的表現。即是說,如果歷史是會重演的話,當交投死寂的時候,運用沸騰指數時可以冒險一點,即使沸指在 60 點左右也許仍然是不錯的「吸納」水平。

小結:這也許是另類的「藍海戰術」,當人人都對股票沒有興趣的時候密密收集,只要大市價格大致合理,平均回報會較佳,防守性也較強。


Q3: 「主板熱鬧指數」還有甚麼觀察,以及使用上要注意的地方?

從下圖可見,「主板熱鬧指數」單獨使用時,其測市的效能當屬一般。除了上文已經探討過的兩個極端,即死寂的 10 點以下,以及熾熱的 95 點以上,基本上未能為後市提供方向。

(圖中橫軸以 5 點為一單位,例如「5」代表主板熱鬧指數在 5-9.99 之間;注意指數實際上從未在 5 點以下)



但交投量高,往往意味價格的波動較大。為了測試這一點,我們改為計算往後 12 個月恆指月回報的變異數(Variance)再取平均。結果趨勢十分明顯,說明「主板熱鬧指數」主要是用來預測後市的波動性的。一般來說,大市交投愈熱鬧,後市便愈波動,一般認為風險便較高,至少傳統財務學便是以此變異數(或標準差,Standard Deviation,即變異數的平方根)定義回報的風險。




而如果我們將風險定義為後市出現調整的機率,亦可得出類似的結論:




如「沸騰指數」一樣,筆者先將「熱鬧指數」以其後市波動性和後市出現調整的機會率,做了 5 個階段以便往後分析:


  • 0-15點:死寂,人人都對股票沒有興趣,也許是海藍戰術密密收集的時候。
  • 15-60點:一般,市況交投正常,後市調整機會相對平均值較低。
  • 60-80點:活躍,股市開始暢旺,後市調整機會相對平均值較高。
  • 80-95點:熱鬧,大市氣氛熱烈,後市調整機會要比平均值高出接近一倍。
  • 95-100點:熾熱,突然飆升的話要多加留意,連續數月熾熱更應考慮逃生,除非大市本身已經低無可低。


筆者隨即心想,波動性較高,意味升市時升得更牛,跌市時跌得更熊,上落市也更波動。如果推論正確,那「主板熱鬧指數」在愈高的水平時,理論上沸騰指數之預測市能力使愈清晰。於是筆者做了一連串將兩個指數 Cross-over 的分析,主要結果在以下矩陣表示。雖然在熱鬧和熾熱階段,沸指高低時顏色好像鮮明了;不過坦白說,效果並沒有筆者當初想的那樣清晰,畢竟只有 240 個數據點而矩陣有 25 個分析點。



實測上,筆者曾經嘗試以類似上表的結論,更新建基於「恆指沸騰指數」的自動交易系統,以歷史數據測試可再度提升年回報達 2% 以上(即比「平均成本法」超 4% 以上),但筆者感覺如此高表現不太合理,應是過度套入(Over-fitting)的結果。以歷史數據回測歷史回報,其實某程度上是自欺欺人;要永遠記住,過往回報並不代表將來表現,我們開發的各項指數,均只是參考過往的數據和表現,為未來把脈而已。


主結論

「主板熱鬧指數」主要是用來預測後市的波動性,實際應用時應該作為使用「沸騰指數」時的輔助參考,當中在市況死寂或熾熱時或可改變「沸騰指數」各投資提示的參考區間。但參考歸參考,世上並沒有 once-and-for-all 的發達程式,但求在未知的未來能參考過去,提供一成功率較高而風險較低的的交易方法而已。

通過筆者一系列的計算和探索,筆者認為成果不僅僅是以上的數個結論,而是對恆指過往 2、30 年的變化有一個概括的感覺。專家們都說投資是一門藝術而非絕對的科學,而學習藝術,也許就是追求這種藝術的感覺吧。



免責聲明

本網頁屬個人網誌,一切言論純粹是表達本人的個人意見或經驗分享。「主板熱鬧指數」(及其領先指數)、「恆指沸騰指數」(及其分類指數)及其投資提示只作意見分享及學術用途,無論在任何情況下,不應被視為投資建議,也不構成要約、招攬、邀請、誘使、建議或推薦,本人亦無法保證網誌內容、「主板熱鬧指數」(及其領先指數)、「恆指沸騰指數」(及其分類指數)、「測市指數系統」的指數及其投資提示的真確性和完整性。讀者務請運用個人獨立思考能力自行求證和分析,讀者一切的投資決定以及該投資決定引致的收益或損失,概與本人無涉。

【祿】主板熱鬧指數(理論 · 上篇)—— 將大市成交量標準化

筆者研發並發表大市探熱針「恆指沸騰指數」後,在 Blog 裏曾掀起一番討論如何提升其測市的表現。及後筆者受到 Blog 友 Roy 的啟發,研究大市成交量對回報的影響,目標是為測市指標安裝「警報器」或「第二引擎」,務求進一步提升指數基金投資法的長期回報率。



經過一系列的研究和測試,現將研究過程及結果分別在上、下兩篇發表。筆者認為,探索的過程和結果同樣重要,而且也很享受著過程中將大學的統計知識溫故知新。雖然本篇比較沉悶,但還是讓筆者發一下寫統計教科書的癮吧! :D

探索大市成交量數字

在沸指的討論中,筆者在回應 Roy 的貼文時已即時提出:「今日的成交量不能直接跟30年前的成交量比較⋯⋯較理想的做法是利用恆指或大市總市值 Normalize。」需知道 30年前一日有 10億成交已是大新聞,今日過千億成交卻是等閒事。要知道成交量(以金額計)受大市氣氛、貨幣供應以及大市水平等因素影響,而我們有興趣的只是相對的大市氣氛,希望用交投量評估市場是死寂、冷清、活躍還是熾熱,所以便有「正常化」(Normalization)的必要。

最理想的正常化分母是大市總市值。用每日成交金額除以大市總市值,得到的便是整個市場當日股票易手的比例。舉個簡單例子:假設 iPhone 交易所共有 1,000 部 iPhone X,每部價值 $10,000,總市值就是 $1千萬;今天交易所買賣了 8 部手機,總值 $80,000,易手的手機佔大市總值便是 $8萬/$1千萬 = 8部/1,000部 = 0.8% 或 8‰(1‰ = 0.1% = 10 點子,筆者工作關係習慣使用千分率)。假設 iPhone 的價格現在被炒高一倍至 $20,000 一部,但假設交易數量不變,易手量佔市值依然是 8‰ = $16萬/$2千萬。這例子說明利用總市值 Normalize 後的成交量(即「成交比例」),不會受貨幣供應或股價因素影響。

那麼市場上有 0.8% 的股票易手,算是死寂還是熾熱?這便要看歷史數據了。

港交所主板的歷史成交金額以及歷史市值的數據,可以簡單在港交所網站免費取得。數據大約包含 30 年歷史——歷史成交額由 1986年 4月起提供每日數據,而歷史市值同樣由 1986年4月起提供,但僅提供每月月末的市值數據,直至 1994年12月末才開始提供每日收市市值。30年每月數據,覆蓋和頻率剛巧切合筆者就沸騰指數歷史表現的分析。如果讀者希望做更高頻率的分析,可能就需要放棄某段歷史,或另找數據庫了。

得到數據後,便可以為 30 年歷史中的每個月,計算平均每個交易日的「成交比例」。對於一個曆月而言,算式如下:

成交比例 = 平均每日交易金額 / 平均市值

其中    每日交易金額 = 該曆月的成交金額總和 / 交易日數
            平均市值 = ( 該曆月月末的總市值 + 上一曆月月末的總市值 ) / 2

結果如下圖:


在 Excel 成圖後筆者第一反應是暗喜,因為數據反映 30 年來的成交比例並沒有翻天覆地的改變。縱使 Trendline 是微微向上,反映現在購買股票的渠道多了方便了,也許也因為多了些程式交易(Algo Trading),但在 Order of Magnitude 上並沒有太大的變化,歷史數據應該會很有參考價值。這正如恆指的歷史股息率和市盈率在過去 30年的區間並沒有太大的變化,使得「恆指沸騰指數」具有參考價值。

「主板熱鬧指數」的構築

由於歷史數據顯示成交比例成上升趨勢,必須去除此趨勢(即 De-Trend)數據才能用於未來測市。例如 80、90年代曾有不少日子成交比例低於 2‰,但金融海嘯後這現象基本上已不會發生。如果我們單看成交量的歷史數據並發現成交比例低於 2‰ 的日子是有利於後市,這結果一來根本在未來就沒有實用價值,二來只是敍述了某段歷史的表現(即 「2‰ 以下表現較佳」只是代表了「80、90年代表現較佳」而非表示在此水平的成交比例的一些實際意義,是統計學中某程度的共因謬誤 Confounding Error)。

認清要 De-Trend 之後,問題來了,要用甚麼方法來 De-Trend?這個是統計學中時間序列(Time Series)的課題。坦白說筆者當年大學上時間序列課時都是得過且過,到現在「書到用時方恨少」,所以都是用自己三教九流的方法,大抵沒有正統統計學基礎。

第一個想法是做差分(Differencing),即每項減去之前一項。這方法用來套入 AR、MA 模型做預測是好,但用來做指標檢測水平卻沒什麼作用。

第二個想法是用線性迴歸(Linear Regression),把一條最佳直線當成是最佳趨勢線放到序列上,然後每個項減去趨勢線的相應項。然而盲目套用這方法有兩大謬誤:

  1. 線性迴歸的基礎假設是殘差(Residual)跟從常態分佈,然而觀乎成交比例的數據,大部分日子風平浪靜少部分飆升亢奮熾熱,很明顯不是 Normally distributed。
  2. 利用 1987-2017 整整 30 年數據找出最佳直線放在圖上,再用這直線來 De-Trend 1987 年的點,意味分析員在 1987 年有超能力預知 30 年後的成交比例水平。

處理第一個問題的過程也很意外的。筆者在利用統計軟件探索數據時,無意中發現成交比例的數據取自然對數(Natural Logarithm)後,竟然大致遵從常態分佈(見下圖)。即是說成交比例大致遵從對數常態分佈(Lognormal Distribution)。讀者不要被其名字嚇壞了,其實日常生活中很多東西都可以用對數常態分佈描述模型的,例如是一頭牛的牛奶產量、一個地方的雨量、一個病毒的潛伏期等等。更甚者,曾淵滄博士的曾氏通道,說穿了就是假設恆指跟從對數常態分佈,然後做線性迴歸(當然筆者在前文指出這個假設不太好,恆指的對數要比常態分佈表現得更尖峰厚尾就是了)。可以說,數學上,筆者往後的動作是跟曾氏通道分析是一致的,但筆者在統計學上的論證(看似)比較嚴謹。



要處理第二個問題,方法就是避免使用未來的數據去分析過去的數據點。換句話說,就著每一個數據點,我們都可以利用該點之前的所有數據點(的對數),以迴歸做一條趨勢線。讀者可能也聽說過「移動曾氏通道分析」 (可參考此 Blog 文章),正正就是這個概念了。不過,這就要犧牲最初幾年的數據點,因為利用最初幾年這麼少觀測點所畫成的趨勢線,基本上是不準確的。由於成交比例圖看似首 10 年和次 10 年來了一個循環,筆者決定犧牲首 10 年的數據,製作 20 年歷史的「主板熱鬧指數」。

以 1996 年 12月的數據點為例,筆者利用 1986年 12月 至 1996年 11月共 120 個月的數據,做一次對數線性迴歸並做出一條趨勢線,然後利用這條趨勢線預測下一個數據點(即1996 年 12月)的成交比例。由於下一個月的成交比例是隨機的,所以我們只能給予一個隨機分佈去描述我們的預測。根據我們的假設,這個隨機分佈就是對數常態分佈(Lognormal Distribution),而迴歸結果能給予這分佈的參數(Parameters)。利用這個分佈,我們可以描述,有多大的機會,下一個月的成交比例會在某數值之下。


1996年 12月的實際平均成交比例在 2.446‰,而根據模型預測,有 83.4% 的機會成交比例會在此數字以下,只有 16.6% 的機會成交比例會在此數字之上。換人講的說話,就是考慮歷史趨勢後,1996年 12月的實際成交比例是偏高的;而至於有多高,就是大約每 6 個月有 1 個月(16.6% = 1/6)的成交比例比這個月的要高;另外 5 個月要比這個月的要低。

這個 83.4% 機會率,就是筆者新開發的「主板熱鬧指數」;指數依然是 0-100 為限,指數愈高代表主板交投愈熾熱,指數愈低代表主板交投愈疏落。

將上三段重覆 239 遍,建立 239 個迴歸模型後,就能得到下圖(實際上建立這 239 個迴歸模型只是一分鐘的 Excel 工作;預備分析用的數據所花的時間何只百倍):


至此「主板熱鬧指數」的構築大致完成,下篇將會探討大市過往在不同交投氣氛下的後市表現,以及如何利用「主板熱鬧指數」進一步提升「恆指沸騰指數」的回報表現。

熱門文章