论文部分内容阅读
资产证券化作为现代金融市场上融资者获得资金的重要融资渠道和进行金融风险管理的全新手段与工具,资产证券化近年来受关注度的不断增加,其市场规模不断扩大且产品类型日益丰富,在推动经济结构优化升级和服务实体经济等方面发挥着越来越重要的作用。我国资产证券化市场已进入建设发展阶段的关键时期,对产品进行创新成为必然趋势。在我国证券市场的逐步成熟的同时,大数据、云计算、人工智能(AI,Articial Intelligence)等为代表的新一代信息技术也迅猛发展。基于人工智能的量化投资方法借助计算机所拥有的强大算力可以实现对整个市场的跟踪监测,及时发现市场中潜在的交易机会并给予精准评价,有效减少因情绪波动等因素给交易决策带来的不利影响,并且能够与其他人工投资策略形成一定的负相关性并以此丰富投资策略组合,正是因为人工智能量化投资所具有的这些特点与优势,将其引入金融行业领域恰逢其时。在此背景下,本文将人工智能量化投资引入资产证券化,研究和探讨最优投资组合方案。首先,本文第一章和第二章对资产证券化与人工智能的关系进行阐述,分析中美资产证券化差异,探讨当前人工智能在国内资产证券化产品投资组合中的应用情况。其次,本文对我国资产证券化交易规定及投资成本进行调研,从不同投资者的角度建立五组真实交易场景和假设条件,构建理想收益率模型,使用上交所、银行间、深交所三个市场的2015年至2018年二级资产证券化交易数据,得出不同参数条件下的理想收益并基于L2范数考量各投资策略组合中夏普比率的平均水平和波动性。最后,基于已提出的理想收益率模型优化思路,建立了Lasso回归、岭回归、XGBoost、LightGBM、神经网络以及SVM(Support Vector Machine,支持向量机)六组人工智能配置模型,并基于人工智能投资策略中的累计收益率均值与累计收益率波动率构建Dis指标定量观测模型与作为基准绩效的理想收益率的绩效差距。实验结果表明:在结构化率、质押比率以及杠杆比率等参数发生改变、其余参数恒定时,岭回归模型表现均与理想收益率有着最接近的绩效表现;因此岭回归对回购质押比例、杠杆比率以及结构化率三个参数的敏感度较低,在这三个参数下的投资者角度的策略中有着一定的参考价值,本文的研究进一步说明了运用人工智能的方法可以为投资者带来更好投资绩效。本文创新点主要有以下四点(1)针对因资产证券化流动性不足导致没有权威的业绩评估标准的问题,本文基于理想条件的重要特性提出了可以被当作业绩评估基准的理想收益率模型,并通过实证研究证明了该模型在理论上可以达到特定标的下的最高投资收益,为后续人工智能模型在金融领域的应用探索奠定了坚实的基础。(2)本文提出了多种人工智能模型预测投资组合可行性从而确定具体投资策略的方法,克服了传统资产证券化投资中的强假设以及投资者看法过于主观随意、不能客观反映实际问题。(3)本文主要使用了主流的人工智能模型——Lasso回归、岭回归、XGBoost、LightGBM、神经网络以及SVM的模型及思想、原理,并严格的给出各模型的数学或算法基础。通过构建资产证券化产品的配置策略以及对各模型所做的实证研究,证明了所构建的岭回归在综合性上具有一定的优势,通过Dis指数和后续比较反映出岭回归的稳定性较好,同时兼具理论严谨性与在投资绩效上的优越性。对于结构化率变化,岭回归依旧表现抢眼。这进一步反映出在运用人工智能方法为投资者提供分析时,采取多视角多模型的分析方式可以带来更好的投资绩效。(4)提出了基于遗传算法的投资组合智能优化模型。现阶段学术界关于资产证券化以及资产组合优化这一细分领域的研究成果相对有限,且多散落于资产证券化的资产管理等文献之中。学术界对资产证券化的资产组合优化研究主要集中于均值方差资产组合、重抽样组合的优化以及基于公司特征的组合优化之中。这些优化方法的全局寻优能力较弱,普适性较低故在此构建基于遗传算法的投资组合智能优化模型对资本组合进行全局寻优。