韋明俊,汪劉根,李勝宏
(1.浙江大學(xué) 經(jīng)濟(jì)學(xué)院, 浙江 杭州 310058; 2.浙江大學(xué) 數(shù)學(xué)科學(xué)學(xué)院, 浙江 杭州 310058)
?
·數(shù)理科學(xué)·
基于ELECTRE排序的投資組合策略研究
韋明俊1,汪劉根1,李勝宏2
(1.浙江大學(xué) 經(jīng)濟(jì)學(xué)院, 浙江 杭州310058; 2.浙江大學(xué) 數(shù)學(xué)科學(xué)學(xué)院, 浙江 杭州310058)
為改進(jìn)ELECTRE II多準(zhǔn)則決策模型,將其應(yīng)用于金融投資領(lǐng)域。通過引入凈優(yōu)勢(shì)值概念,實(shí)現(xiàn)ELECTRE II模型的完全排序,以滬深300成份股為樣本,精選財(cái)務(wù)指標(biāo)作為評(píng)價(jià)因子,并通過修正Simos過程確定因子權(quán)重,構(gòu)建股票投資組合。經(jīng)比較和統(tǒng)計(jì)檢驗(yàn),策略具有顯著的分層效應(yīng),排序靠前分位的股票組合收益率和夏普比率都顯著優(yōu)于滬深300指數(shù)。
ELECTRE排序; 財(cái)務(wù)指標(biāo); 投資組合; 統(tǒng)計(jì)檢驗(yàn)
大量研究[1-3]認(rèn)為,財(cái)務(wù)指標(biāo)可以較好地區(qū)別上市公司的優(yōu)劣。通過研究財(cái)務(wù)報(bào)表、財(cái)務(wù)指標(biāo)、財(cái)務(wù)比率及其歷史趨勢(shì)可以判斷企業(yè)的償付能力、借貸能力、成長(zhǎng)能力。雖然現(xiàn)代投資者組合理論認(rèn)為,在有效市場(chǎng)假設(shè)下,投資者難以獲得超過市場(chǎng)指數(shù)投資的超額收益。然而,在弱有效市場(chǎng)中,投資者可以運(yùn)用市場(chǎng)公開信息獲得超額收益。相關(guān)實(shí)證檢驗(yàn)認(rèn)為,基于部分財(cái)務(wù)指標(biāo)的選股模型具有價(jià)值溢價(jià)效應(yīng),能夠獲得超額收益[4]。在各種不同的價(jià)值投資理論中,財(cái)務(wù)指標(biāo)更是非常重要的模型因子,被視為公司健康狀況、資產(chǎn)流動(dòng)性、企業(yè)杠桿、成長(zhǎng)能力、盈利能力的指標(biāo)。Gardiner等[5]研究發(fā)現(xiàn),無論短期還是中長(zhǎng)期,財(cái)務(wù)數(shù)據(jù)與股票收益的波動(dòng)和資產(chǎn)價(jià)格都存在高度相關(guān)。而Richard[6]在著作中認(rèn)為,驅(qū)動(dòng)股票價(jià)格上漲的因素主要包括公司凈利潤(rùn)的增長(zhǎng)、銷售收入的增長(zhǎng)、自由現(xiàn)金流的增長(zhǎng)、估值因素以及投資者情緒變化等因素,并以不同因素為準(zhǔn)則選擇股票投資組合。但是,一般來說,單個(gè)財(cái)務(wù)指標(biāo)提供的信息較為有限,使得利用單個(gè)指標(biāo)所選取的股票很難做到持續(xù)有效地戰(zhàn)勝市場(chǎng)組合。那么如何利用財(cái)務(wù)指標(biāo)選擇股票構(gòu)建投資組合,使之持續(xù)穩(wěn)健地戰(zhàn)勝市場(chǎng)指數(shù)成為投資者和金融市場(chǎng)研究者關(guān)心的焦點(diǎn)。從本質(zhì)上看,以公司經(jīng)營(yíng)業(yè)績(jī)和財(cái)務(wù)信息為條件屬性,以公司對(duì)應(yīng)股票市場(chǎng)業(yè)績(jī)?yōu)闆Q策目標(biāo),進(jìn)而做出不同股票之間優(yōu)劣關(guān)系的判斷,屬于典型的多準(zhǔn)則決策分析問題。
多目標(biāo)決策方法是決策科學(xué)、管理科學(xué)研究中非常活躍的分支,廣泛應(yīng)用于工程系統(tǒng)、社會(huì)系統(tǒng)等多個(gè)學(xué)科領(lǐng)域,并越來越多地應(yīng)用于金融投資領(lǐng)域[7-9]。Nicolas研究了基于神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)與多目標(biāo)決策模型相結(jié)合的配對(duì)交易投資策略在標(biāo)普100指數(shù)上的應(yīng)用[10-11]。Tangian則研究了多目標(biāo)決策模型在道瓊斯工業(yè)平均指數(shù)預(yù)測(cè)德國DAX指數(shù)中的應(yīng)用[9]。Safar利用顯式網(wǎng)絡(luò)過程選擇多準(zhǔn)則決策模型的權(quán)重,并將多準(zhǔn)則決策模型與DEMATEL模型相結(jié)合建立投資組合策略[12]。Hui將ELECTRE多準(zhǔn)則決策模型與基于數(shù)據(jù)挖掘方法的案例推理模型相結(jié)合,實(shí)證檢驗(yàn)了A股市場(chǎng)的財(cái)務(wù)危機(jī)類公司股票投資策略,并通過參數(shù)檢驗(yàn)方法驗(yàn)證了其模型的有效性[13]。而Antonieta等研究了投資人常用的5個(gè)財(cái)務(wù)指標(biāo)與ELECTRE III模型相結(jié)合的股票組合投資策略在葡萄牙股票市場(chǎng)的應(yīng)用[14]。
基于“公司經(jīng)營(yíng)業(yè)績(jī)與股票市場(chǎng)業(yè)績(jī)一致趨優(yōu)”的特性,本文從決策者的角度出發(fā),結(jié)合財(cái)務(wù)分析指標(biāo)和多目標(biāo)決策模型,從一個(gè)新的視角研究投資決策問題和資產(chǎn)組合管理問題。從投資決策的角度看,成功地構(gòu)建一個(gè)決策模型需要解決3個(gè)方面的問題:第一,選擇合適的評(píng)價(jià)指標(biāo)構(gòu)建綜合評(píng)價(jià)指標(biāo)體系;第二,不同評(píng)價(jià)指標(biāo)屬性權(quán)重的分配;第三,全序化方法的建立使之能對(duì)所有的決策目標(biāo)排序。圍繞這3個(gè)問題,本文將在多準(zhǔn)則決策理論框架下,結(jié)合財(cái)務(wù)分析指標(biāo)和多準(zhǔn)則決策中的ELECTRE模型的改進(jìn),選擇部分股票構(gòu)建股票投資排序決策方法。最后結(jié)合A股市場(chǎng)財(cái)務(wù)數(shù)據(jù)和市場(chǎng)數(shù)據(jù),以滬深300成份股為樣本,建立排序決策方法從而構(gòu)建投資組合,并實(shí)證對(duì)比檢驗(yàn)?zāi)P屯顿Y組合與滬深300指數(shù)之間的表現(xiàn),以測(cè)試該投資組合是否可以獲得穩(wěn)定的超額收益。本文還利用統(tǒng)計(jì)檢驗(yàn)方法,驗(yàn)證模型結(jié)論的有效性。
1.1多準(zhǔn)則決策方法概念與方法
(1)
矩陣G中元素gij(i=1,2,…,n;j=1,2,…,m)表示第i個(gè)方案第j個(gè)指標(biāo)的指標(biāo)值。本文中,所有指標(biāo)均為效益型指標(biāo)。這樣方案排序問題轉(zhuǎn)化為對(duì)n個(gè)向量按優(yōu)劣關(guān)系的排序問題。目前,在多屬性決策領(lǐng)域存在多個(gè)模型可以實(shí)現(xiàn)決策向量的排序,如逼近理想點(diǎn)(TOPSIS)法、PROMETHEE法、ELETRE法。從本質(zhì)上說,ELECTRE方法是非完全補(bǔ)償法,即通過構(gòu)造一系列弱支配關(guān)系淘汰劣方案,從而逐步縮小備選方案集,直到?jīng)Q策者選出最滿意的方案為止。雖然ELECTRE模型符合Hobbs提出的好的模型所具備的4個(gè)特征,且大量實(shí)證分析也表明其分析結(jié)果比較合理[15],但ELECTRE模型仍具有3個(gè)不足之處:①需要主觀設(shè)定的參數(shù)過多,降低了分析結(jié)果的魯棒性;②排序結(jié)果只是對(duì)備選方案的部分排序;③計(jì)算非一致性矩陣時(shí)未考慮決策準(zhǔn)則的權(quán)重。
針對(duì)ELECTRE模型上述3個(gè)不足之處,本文在保證方法正確性和有效性前提下對(duì)ELECTRE模型做出修正。首先,采用Figueira和Roy提出的修正Simos算法決定評(píng)價(jià)指標(biāo)因子的權(quán)重[16],從而極大地降低了主觀設(shè)定的參數(shù);第二,為解決排序結(jié)果部分排序的不足,國內(nèi)也有很多研究對(duì)此做出改進(jìn),如王建軍等[17]引入凈可信度概念使得可對(duì)備選方案進(jìn)行充分排序,本文通過引入類似定義將其用于改進(jìn)ELECTREII模型獲得了備選方案充分排序;第三,利用相對(duì)優(yōu)勢(shì)指數(shù)和相對(duì)劣勢(shì)指數(shù)設(shè)定閾值,從而降低了部分需要主觀設(shè)定的參數(shù)。
1.2ELECTRE II改進(jìn)模型相關(guān)定義
定義1(一致性集合與非一致性集合)對(duì)于矩陣V兩個(gè)不同行所表示的方案a,b,若對(duì)某一指標(biāo)k,存在方案a指標(biāo)值比方案b的指標(biāo)值的偏好程度高,則指標(biāo)k歸類于一致性集合C(a,b),否則歸類于非一致性集合D(a,b)。其中k=1,2,…,m。一致性集合與非一致性集合可表示為:
C(a,b)={k|gk(a)≥
gk(b)}&D(a,b)={k|gk(a) (2) 定義2(一致性矩陣)所有一致性集合中各元素代表的指標(biāo)的權(quán)重值相加即為一致性矩陣,即 (3) 其中cij表示方案ai比方案aj的相對(duì)優(yōu)勢(shì)指數(shù)。 定義3(非一致性矩陣)將每一個(gè)非一致性集合中元素所對(duì)應(yīng)的兩方案的加權(quán)指標(biāo)值之差的最大值除以兩方案所有加權(quán)指標(biāo)值之差的最大值,定義為兩方案的相對(duì)劣勢(shì)指數(shù),所有相對(duì)劣勢(shì)指數(shù)即為非一致性矩陣,即 S={1,2,…,m}。 (4) 其中dij表示方案ai比方案aj的相對(duì)劣勢(shì)指數(shù)。該定義在計(jì)算相對(duì)劣勢(shì)指數(shù)時(shí)考慮了指標(biāo)權(quán)重信息,改進(jìn)了原始ELECTRE II模型第三個(gè)不足之處,即計(jì)算非一致性矩陣時(shí)未考慮決策準(zhǔn)則的權(quán)重。與相對(duì)優(yōu)勢(shì)指數(shù)cij只包含權(quán)重信息相比,相對(duì)劣勢(shì)指數(shù)dij含有權(quán)重信息和指標(biāo)值信息,反映了方案ai比方案aj的相對(duì)劣勢(shì)程度,值越小表示劣勢(shì)程度越小。 1.3算法步驟 第1步計(jì)算權(quán)重正規(guī)化決策矩陣,首先將決策矩陣G的列向量正規(guī)化得到正規(guī)化矩陣,對(duì)于新矩陣的每一列,再將其與對(duì)應(yīng)的權(quán)重相乘得權(quán)重正規(guī)化矩陣Vn×m。其中: (5) 第2步按定義2方法構(gòu)造一致性矩陣,再根據(jù)一致性矩陣構(gòu)造一致性支配矩陣。該矩陣將借助相對(duì)優(yōu)勢(shì)指數(shù)的閾值α確定。當(dāng)相對(duì)優(yōu)勢(shì)指數(shù)超過閾值α,即ckl≥α,表示方案Ak支配方案Al?;陂撝档囊恢滦灾渚仃嘑n×n的元素定義為: (6) 第3步按定義3方法構(gòu)造非一致性矩陣,再根據(jù)非一致性矩陣構(gòu)造非一致性支配矩陣。該矩陣將借助相對(duì)劣勢(shì)指數(shù)的閾值β確定。當(dāng)相對(duì)劣勢(shì)指數(shù)小于閾值β,即dkl≤β,表示方案Al支配方案Ak?;陂撝档姆且恢滦灾渚仃嘐n×n的元素定義為: (7) 其中閾值為事先確定參數(shù),在本文中設(shè)定閾值 第4步確定綜合性加權(quán)矩陣。該矩陣是一致性支配矩陣和非一致性支配矩陣的乘積。 H=[hij]n×n,hij=Fij*Eij (8) 第5步求凈優(yōu)勢(shì)值。這里應(yīng)用Delft和Nijkamp提出的凈優(yōu)勢(shì)值概念,可實(shí)現(xiàn)對(duì)備選方案的充分排序,從而克服了傳統(tǒng)ELECTRE模型只能實(shí)現(xiàn)方案的部分排序的弱點(diǎn)。 1.4修正Simos過程計(jì)算因子權(quán)重 對(duì)于ELECTRE II模型中的眾多因子,如何有效地確定其權(quán)重對(duì)于模型的有效性存在重要的影響,如在本文中,作為ELECTRE II模型的因子的企業(yè)的財(cái)務(wù)指標(biāo)達(dá)到20個(gè)以上,如何設(shè)定這些財(cái)務(wù)指標(biāo)在模型中的權(quán)重則可能影響著最終的股票排序結(jié)果。本文將采用Figueira和Roy[16]提出的修正Simos算法設(shè)置因子的權(quán)重。 設(shè)所有的因子項(xiàng)為C={cj,j=1,2,…,m},則修正Simos算法的步驟可分為如下4步: 第1步根據(jù)決策人的偏好將所有的因子分成從最弱偏好到最優(yōu)偏好的排序子集,決策人認(rèn)為無差別的或者無比較排序的放入同一子集,設(shè)所有的子集為D={D1,D2,…,Dr},從而不同的子集所包含的因子數(shù)不同,最小個(gè)數(shù)為1,最大個(gè)數(shù)小于所有因子的個(gè)數(shù)m。 第2步對(duì)于所有的排序子集D={D1,D2,…,Dr},由決策者決定相鄰子集之間的偏好程度,在相鄰的子集Di-1,Di之間插入數(shù)字,若決策者認(rèn)為子集Di只弱偏好于Di-1,則不插入數(shù)字,若偏好程度較高,可插入數(shù)字1,2等,假設(shè)插入的數(shù)字為1,接下來若決策認(rèn)為子集Di,Di+1的偏好差距高于子集Di-1,Di之間的差距,則在子集Di,Di+1之間插入數(shù)字2,以此類推所有的偏好子集。 (9) 則等級(jí)為j的子集中所有權(quán)重因子的非標(biāo)準(zhǔn)化權(quán)重為k(j)=1+u(e0+e1+…+ej-1),其中e0=0。 (10) 2.1實(shí)證檢驗(yàn)結(jié)果 對(duì)于大量的財(cái)務(wù)指標(biāo),基于Richard對(duì)指標(biāo)的分類方式,將所有指標(biāo)劃分為盈利能力、估值水平、現(xiàn)金流量、成長(zhǎng)性、資本結(jié)構(gòu)與財(cái)務(wù)預(yù)警、動(dòng)量指標(biāo)。分別從中挑選單個(gè)指標(biāo)將標(biāo)的股票進(jìn)行排序,觀察排序靠前(靠后)的股票組合與標(biāo)的指數(shù)的關(guān)系。在此基礎(chǔ)上,挑選部分重要的指標(biāo)作為ELECTRE II改進(jìn)模型的評(píng)價(jià)指標(biāo)。表1表示所選取的指標(biāo)因子,如盈利能力指標(biāo)包括投入資本回報(bào)率(ROIC) 、資產(chǎn)收益率(ROA) 、股本回報(bào)率(ROE) 、毛利率;估值水平指標(biāo)除了常用的市盈率(PE) 、市凈率(PB) 、市銷率(PS),還包括企盈率(EV/EBITDA),市值現(xiàn)金流比率(PFCF);現(xiàn)金流量指標(biāo)為自由現(xiàn)金流營(yíng)業(yè)收入比(FCF/IC);成長(zhǎng)性指標(biāo)包括凈利潤(rùn)增長(zhǎng)率、營(yíng)業(yè)收入增長(zhǎng)率、營(yíng)業(yè)利潤(rùn)增長(zhǎng)率;資本結(jié)構(gòu)與財(cái)務(wù)預(yù)警指標(biāo)包括存貨與應(yīng)收賬款周轉(zhuǎn)率的變化、經(jīng)營(yíng)活動(dòng)現(xiàn)金流比資本支出。動(dòng)量指標(biāo)包括半月相對(duì)強(qiáng)度與3個(gè)月相對(duì)強(qiáng)弱指標(biāo)等。 表1 候選財(cái)務(wù)指標(biāo)(括號(hào)中為指標(biāo)代碼) 首先利用修正Simos過程計(jì)算各財(cái)務(wù)指標(biāo)因子在ELECTRE II模型中的權(quán)重。根據(jù)投資者對(duì)財(cái)務(wù)指標(biāo)的偏好,將上述財(cái)務(wù)指標(biāo)根據(jù)決策者偏好排序,計(jì)算權(quán)重如表2。 表2 因子權(quán)重 而對(duì)于如何選擇每期的財(cái)務(wù)指標(biāo)偏好,減少人為因素在指標(biāo)選擇中的影響,本文將采用機(jī)器學(xué)習(xí)Adboost算法對(duì)股票的財(cái)務(wù)因子進(jìn)行排序。模型的輸入包括上述列出的每只股票的所有財(cái)務(wù)因子,輸出為根據(jù)Adboost算法得到的因子信心指數(shù)排序,單一因子信心指數(shù)越大,代表該因子的偏好越高,反之亦然。 基于Spronk和Hallerbash的檢驗(yàn)方法[18],本文的檢驗(yàn)工作采取循環(huán)遞步的方法,即首先在特定時(shí)點(diǎn),如2005年第一個(gè)交易日,我們將上述財(cái)務(wù)指標(biāo)作為評(píng)價(jià)指標(biāo),將所有滬深300股票作為備選方案,基于ELECTRE II改進(jìn)模型,將所有備選標(biāo)的股票全排序,再根據(jù)排序結(jié)果挑選排名靠前部分分位數(shù)股票按等資金權(quán)重構(gòu)建投資組合,然后將該時(shí)點(diǎn)之后的一段時(shí)間如2個(gè)月作為觀察期,比較投資組合與相應(yīng)滬深300指數(shù)的市場(chǎng)表現(xiàn),觀察期結(jié)束后再次根據(jù)新的因子數(shù)據(jù)重新采用ELECTRE II模型排序構(gòu)建投資組合,重復(fù)上述過程。基于滬深300指數(shù)創(chuàng)立于2005年,本文的檢驗(yàn)時(shí)間窗為2005年至2014年3季度,單次組合持有期為2個(gè)月,并分別根據(jù)模型每次選取當(dāng)期滬深300指數(shù)標(biāo)的股票排序的前1/6分位的股票與后1/6分位的股票等權(quán)重組合作為投資組合,并檢驗(yàn)其與滬深300指數(shù)的收益表現(xiàn)。 令根據(jù)ELECTRE II模型所選股票在第t天的收盤價(jià)為pit(i=1,2,…,N)。w0為組合構(gòu)建日股票pi在組合中的權(quán)重。則標(biāo)的組合在第t天的收益率為 (11) 圖1與表3給出了自2005年1月至2014年9月滬深300指數(shù)與ELECTRE II排序前1/6分位股票組合、后1/6分位股票組合的收益與夏普比率指標(biāo)。 圖1 累積收益率比較Fig.1 Cumulative yield comparison 圖2 年收益比較Fig.2 Annual yield comparison 前1/6分位股票組合后1/6分位股票組合滬深300指數(shù)持倉區(qū)間平均收益率(2月)4.51%-0.47%2.81%日平均收益率0.10%-0.01%0.06%日收益標(biāo)準(zhǔn)差2.26%2.22%1.88%夏普比率0.645-0.0150.416觀察期數(shù)646464 數(shù)據(jù)來源:wind資訊,數(shù)據(jù)日期:2005.1.4-2014.9.30 2.2假設(shè)檢驗(yàn) 從上述圖表中看,對(duì)于采用ELECTRE II模型所篩選出的股票排名靠前的組合無論收益率還是夏普比率都顯著優(yōu)于作為業(yè)績(jī)基準(zhǔn)的滬深300指數(shù),而模型排序靠后的股票組合則顯著劣于滬深300指數(shù)。但是,模型標(biāo)的組合與市場(chǎng)指數(shù)的表現(xiàn)差異是否在統(tǒng)計(jì)意義上成立還需要作進(jìn)一步的檢驗(yàn)。 通過T檢驗(yàn),ELECTRE II模型前1/6組合和后1/6組合與滬深300指數(shù)收益率的差等于0的概率分別為P=0.045 1,0.014 9≤0.05,表明拒絕原假設(shè)H0:μHS300=μELECTRE,接受備擇假設(shè)H1:μHS300≠μELECTRE,且T檢驗(yàn)值分別為2.054 5>1.96,-2.520 8<-1.96。若將原假設(shè)與備擇假設(shè)分別改為H0:μHS300≥μELECTRE,H1:μHS300<μELECTRE,則ELECTRE II模型前1/6組合,后1/6組合與滬深300指數(shù)收益率的差小于等于0的概率分別為P=0.022 5≤0.05,0.992 6≥0.05,則前1/6組合拒絕原假設(shè),接受備擇假設(shè),而后1/6組合接受原假設(shè)。結(jié)果表明, ELECTRE II模型所選股票組合的分層效果非常顯著,模型排序靠前的股票組合收益率統(tǒng)計(jì)上顯著高于滬深300指數(shù)收益率,而排序靠后組合收益率統(tǒng)計(jì)上顯著低于指數(shù)收益率。 本文討論了基于財(cái)務(wù)指標(biāo)下多目標(biāo)決策模型的股票組合選擇問題,將財(cái)務(wù)指標(biāo)作為多目標(biāo)決策ELECTER II模型的因子,通過引入凈優(yōu)勢(shì)值概念,克服了傳統(tǒng)的ELECTRE多目標(biāo)決策模型存在的不完全排序和需主觀設(shè)定參數(shù)過多的問題,實(shí)現(xiàn)了充分排序;同時(shí)采用修正Simos過程算法計(jì)算評(píng)價(jià)指標(biāo)因子的權(quán)重,從而極大地降低了主觀設(shè)定的參數(shù),實(shí)現(xiàn)了因子數(shù)量多、備選方案多情形下的ELECTRE模型應(yīng)用問題。以滬深300成份股為樣本,構(gòu)建股票投資組合,統(tǒng)計(jì)意義上有顯著的分層效應(yīng),排序靠前分位的股票組合收益率和夏普比率都明顯優(yōu)于滬深300指數(shù)。本文為投資者提供了一種利用財(cái)務(wù)指標(biāo)構(gòu)建股票組合的方法,也進(jìn)一步豐富和發(fā)展了多準(zhǔn)則決策模型的理論和方法及應(yīng)用。 [1]GANELASINGAM S, KUMAR K. Detection of financial distress via multivariate statistical analysis[J].Managerial Finance, 2001, 27(4):45-55. [2]SORI Z, JALIL H. Financial ratios, discriminate analysis and the prediction of corporate distress[J].Journal of Money, Investment and Banking, 2012, 11:1450-1488. [3]YAP B C, YONG D G. How well do financial ratios and multiple discriminate analysis predict company failures in malaysia[J].International Research Journal of Finance and Economics, ISSN 1450-2887, Retrieved February, 2012:166-175. [4]FAMA E F, FRENCH K. Value versus growth: The international evidence[J].Journal of Finance, 1998, 53(6):1975-199. [5]GARDINER M A. Financial ratios definitions reviewed[J].Management Accounting, September, 1995, 73(8):32. [6]RICHARD T. Quantitative Strategies for Achieving Alpha[M].New York: McGraw-Hill, 2008:103-329. [7]DUYGUN F M, PASIOURAS F. Assessing bank efficiency and performance with operational research and artificial intelligence techniques: A survey[J].European Journal of Operational Research, 2010, 204(2):189-198. [8]STEUER R E, NA P. Multiple criteria decision making combined with finance: A Categorized bibliographic study[J].European Journal of Operational Research, 2003, 150:496-515. [9]TANGIAN A. Predicting DAX trends from Dow Jones data by methods of the mathematical theory of democracy[J].European Journal of Operational Research, 2008, 185(3):1632-1662. [10] NICOLAS H. Pairs selection and outranking: An application to the S&P 100 index[J].European Journal of Operational Research, 2009, 196: 819-825. [11] NICOLAS H. Pairs trading and outranking: The multi-step-ahead forecasting case[J].European Journal of Operational Research, 2010, 207:1702-1716. [12] SAFAR F, HADI J. Developing a hybrid multi-criteria model for investment in stock exchange[J].Management Science Letters, 2012, 2:457-468. [13] HUI L, JIE S. Hybridizing principles of the Electre method with case-based reasoning for data mining: Electre-CBR-I and Electre-CBR-II[J].European Journal of Operational Research, 2009, 197:214-224. [14] ANTONIETA L, VASCO S. Financial ratios applied to portfolio selection: Electre III methodology in buy-and-hold strategy[J]. Revista Organiza??es em Contexto, 2013, 17(9):281-319. [15] HOBBS J R. Coherence and Coreference[J]. Cognitive Science, 1979, 3:67-90. [16] FIGUEIRA J, ROY B. Determining the weights of criteria in the ELECTRE type methods with a revised Simos′ procedure[J]. European Journal of Operational Research, 2002, 139:317-326. [17] 王建軍,楊德禮. ELECTRE III的一種排序新方法[J]. 系統(tǒng)工程, 2005, 23(12): 95-98. [18] SPRONK J, HANERBACH W. Financial modeling: where to go? With an illustration for portfolio management[J]. European Journal of Operational Research, 1997, 99:113-125. (編輯亢小玉) Research on portfolio strategy based on ELECTRE sort WEI Ming-jun1, WANG Liu-gen1, LI Sheng-hong2 (1.School of Economics, Zhejiang University, Hangzhou 310058, China; 2.School of Mathematics, Zhejiang University, Hangzhou 310058, China) ELECTRE II multi-criteria decision model is improved and applied to financial investment field. By introducing absolute advantage indices, a complete sort of the ELECTRE II model is realized. By selecting financial indicators as the evaluation factors and determining the weights of factors in the modified ELECTRE model with revised Simos′ procedure, the strategy of investment portfolios based on HS300 constituent stocks is constructed. By comparison and statistics test the strategy has a significant effect. The return and SHARP ratio of top score combination are significantly better than HS300 index. ELECTRE sort; financial indicator; investment portfolio; statistical test 2015-09-09 國家自然科學(xué)基金資助項(xiàng)目(11171304,71371168);浙江省博士后基金資助項(xiàng)目(Bsh1202099) 韋明俊,男,江蘇金壇人,博士,從事金融投資理論與實(shí)踐研究。 C934,F83 ADOI:10.16152/j.cnki.xdxbzr.2016-01-0022 A股市場(chǎng)實(shí)證檢驗(yàn)
3 結(jié) 語