jiaxf的个人博客分享 http://blog.sciencenet.cn/u/jiaxf

博文

简析企业价值评价与股票市场交易体系

已有 5650 次阅读 2017-5-14 09:24 |系统分类:观点评述| 价值评估, 量化交易, 股票交易体系

简析企业价值评价与股票市场交易体系

贾晓峰


股票市场交易体系宏观讲大致有三类:消息流、技术派(量化交易)和价值投资。三者之间特点极其鲜明,且各有优劣,本文试评述并重点解析企业价值评价在其中的重要价值。

一、消息流

普通A股股民通常迷恋“消息流”,就像我们迷恋武侠、神话传说中的武林秘籍和“神话中医”中的蜜炼仙丹一样,幻想只要通过偶然的机缘巧合,得到“秘籍或仙丹”,就能一举称霸“股林”。显然,上述的一切就是做梦。

靠获得所谓的“优先消息”(非权威发布),得出买卖股票的交易体系,显然是海市蜃楼,不堪一击。原因如下:①你无法获得一手消息,更不是消息的制造者,无法保证消息释放和制造者的真实目的;②你获得消息的时间往往是在食物链的末端,从而导致极易成为利益转移的“抬轿者”或“掩护者”;③A股也将远离靠一个消息就能引起盘面大幅波动的时代。

所以,如果你不是消息制造者和上市企业核心运作者,远离“消息流”交易体系是最为明智的选择。

二、技术派(量化交易)

量化交易是当前最为热门的交易体系,量化交易的核心是试图通过统计学方法,依托既往数据库,拟合指标(行情指标、技术指标、财务指标、公司事件指标等)(多元X)与股价走势间(Y)的关系。量化交易中最为常用的是相关性分析找出最具相关性的X、因子分析/主成分分析找出因子载荷和因子间关系、多元模型的拟合和既往仿真测试,最后用于未来预测。如果仁、聚宽、京东金融、诸葛量化等均是该定位。

量化交易是很多人的梦想,梦想通过构建、拟合既往多元X与Y间的关联性(参数或非参数模型),预测未来关联性,从而对应交易,获得利益。量化交易的痴迷者甚至梦想用交易策略链接自动交易,从而实现“躺着赚钱”的黄粱美梦。

与绝大多数统计模型一样,量化关联交易是一场“风险极高的美丽的幻觉”,对于很多不懂行业的人,试图通过该交易体系可以叱咤A股所有行业领域,几乎是不可能的。原因如下:

1.基于既往相关性拟合的关联性不是真正的“因果关系”,用于未来预测是不可靠的。举个统计学入门的例子,一个小朋友一岁的时候在门口栽了一棵树,前二十年内小朋友身高长高了、树也长高了,我们可以拟合到小朋友身高和树高度间的高度相关性,但如果用此相关性预测未来显然是不可以的,因为未来树还会长高,而小朋友几乎是不再长高了。原因就是因为二者是相关而非因果关系,相关关系是不能用于预测的。真正影响股价波动的原因绝非当前选的这些可以量化的指标,而是绝大多数交易参与者的、极其复杂的要素的集合体。

2.关联性的基础也是不牢固的。即便是技术派最为基础的指标预测,也必须基于一个最为基本的前提,即市场上的绝大多数参与者都基于类似或者相同的技术指标判断而做出类似或相同的决定,从而导致盘面向着共同合力的方向发展,而当前A股市场变得极其复杂,各派间价值观和目的不同,极难通过相似的指标判断做出一致的判断。

3.技术指标变化极快,所有指标集合形成的态势都是极其不稳定、瞬间的、实时变化的,而A股市场目前还是T+1的交易策略,且策略不能随时调整整合。用于直接关联交易,难度极大。

总体而言,基于技术派的量化交易策略或许能在短期预测中发挥作用,但是长期跟进,风险极大。你可能成功了十次,第十一次的失败就会将之前的收益一次性洗掉。所有量化交易价值有限。

三、价值评估/价值投资

对企业进行基于决策树的价值判断和合理估值,选择优秀企业并得出合理估值,由此指导交易策略的制定与实施。应当是难度最大、最科学、最有前途的交易体系。主要路径主要包括如下部分:

1.产业/企业价值评价,找出最具市场前景的产业领域,并选择最具价值的企业。价值企业的唯一价值判断标准是“在高价值产业领域,并具有优势和特质以保证未来持续高利润增长”。

2.企业估值,采用一系列方法进行企业二级市场估值判断。

3.交易策略的制定,基于本杰明·格雷厄姆关于市场先生的理论,在市场非理智低估的时候买入,在市场非理智高估的时候卖出。核心是我们要知道企业的合理估值以及极具耐心的机会等待。

在未来,股票市场的交易体系一定是“消息流没有未来、技术派没有前途,唯价值投资才根本出路”。我们要努力进行产业/企业价值评价和估值方法体系研究。




https://blog.sciencenet.cn/blog-786113-1054847.html

上一篇:医药制造企业价值评价与估值
下一篇:医药制造企业价值评估逻辑框架
收藏 IP: 1.180.215.*| 热度|

0

该博文允许注册用户评论 请点击登录 评论 (1 个评论)

数据加载中...
扫一扫,分享此博文

Archiver|手机版|科学网 ( 京ICP备07017567号-12 )

GMT+8, 2024-11-23 20:26

Powered by ScienceNet.cn

Copyright © 2007- 中国科学报社

返回顶部