考虑投资者关注度的反转型在线投资组合策略

doi:10.16381/j.cnki.issn1003-207x.2023.0501

摘要/Abstract

摘要：

人工智能和机器学习技术的发展，极大地提高了金融信息处理的效率，特别是能够挖掘对股票市场具有重要影响的隐性数据变量。已有研究发现，投资者关注度对股票市场存在较大的影响，因此，该文从投资者关注度这一隐性变量出发，研究反转型在线投资组合策略。首先，将股票的代码和简称作为搜索词，通过爬虫技术获取百度指数中两者的搜索指数之和，并基于搜索指数和平滑技术，构建了投资者关注度指标。然后，结合股票市场的反转效应，设计了考虑投资者关注度的反转型在线投资组合策略。最后，使用国内股票市场的历史交易数据进行了回溯测试。结果表明，该文设计的策略在提高投资收益和降低风险等性能方面表现较好，改进了已有的反转型在线投资组合策略。此外，该文还对策略涉及的时间窗口和滞后期窗口两个参数进行了敏感性分析，表明策略在一定的参数范围内具有较好的稳健性。

关键词: 投资者关注度, 百度指数, 反转效应, 在线投资组合

Abstract:

The development of artificial intelligence and machine learning technology has greatly improved the efficiency of financial information processing， especially the ability to mine hidden data variables that have important impacts on the stock market. It has been found that investors’ attention has a great impact on the stock market. Therefore， it starts from the implicit variable of investors’ attention in this paper， and reversal online portfolio strategies are studied. Firstly， the code and abbreviation of the stock are used as search terms， and the sum of the two in Baidu Index is obtained through web crawler technology. Based on search index and smoothing method， a measure of investor attention is constructed. Then， combined with the reversal effect of the stock market， the reversal online portfolio strategy is designed which takes into account the investors’ attention. Finally， a backtest is conducted using six Chinese stock datasets with differences in data sources and stock sizes. The results indicate that the strategy designed in this paper performs well in terms of returns and risks， improving existing online portfolio strategies based on mean reversal effect. The BD-AC strategy outperforms benchmark and traditional strategies on most datasets. Furthermore， sensitivity analysis is also conducted on two parameters of the strategy， including the time window and the lag window， which demonstrates good robustness within a certain range of parameters. It contributes to the field of online portfolio research in this paper by constructing a measure of investor attention based on Baidu index and introducing it into the Anticor model to improve the strategy.

Key words: investors’ attention, Baidu index, mean reversal effect, online portfolio

中图分类号:

F830

张永,黄清梅,郑萧腾, 等. 考虑投资者关注度的反转型在线投资组合策略[J]. 中国管理科学, 2026, 34(2): 56-66.

Yong Zhang,Qingmei Huang,Xiaoteng Zheng, et al. Reversal Online Portfolio Strategy with Investors' Attention[J]. Chinese Journal of Management Science, 2026, 34(2): 56-66.

图/表 8

图1

表1

表2

图2

表3

图3

表4

t检验结果"

t检验	样本数	BD-AC策略平均收益	Market策略平均收益	胜率/%	$α$	$β$	t检验量	p值
Dataset A	969	0.0007	-0.0003	46.52	0.0013	1.7668	1.7762	0.0760
Dataset B	969	0.0020	0.0006	48.71	0.0025	2.5214	2.1453	0.0322
Dataset C	969	0.0017	-0.0000	48.92	0.0018	1.9105	2.2821	0.0227
Dataset D	969	0.0009	-0.0000	48.09	0.0014	1.8053	1.6777	0.0937
Dataset E	3158	0.0005	0.0001	48.23	0.0009	2.0257	2.5243	0.0116
Dataset F	3158	0.0005	-0.0001	50.51	0.0008	1.7436	1.9236	0.0545

表4

图4

参考文献 33

[1]	Markowitz H. Portfolio selection［J］. The Journal of Finance， 1952， 7（1）： 77-91.
[2]	Cover T M. Universal portfolios［J］. Mathematical Finance， 1991， 1（1）： 1-29.
[3]	Borodin A， El-Yaniv R， Gogan V. Can we learn to beat the best stock［J］. Journal of Artificial Intelligence Research， 2004， 21： 579-594.
[4]	Crammer K， Dekel O， Keshet J， et al. Online passive-aggressive algorithms［J］. Journal of Machine Learning Research， 2006， 7： 551-585.
[5]	Li B， Zhao P， Hoi S C H， et al. PAMR： Passive aggressive mean reversion strategy for portfolio selection［J］. Machine Learning， 2012， 87（2）： 221-258.
[6]	Li B， Hoi S C H， Zhao P， et al. Confidence weighted mean reversion strategy for online portfolio selection［J］. ACM Transactions on Knowledge Discovery from Data， 2013， 7（1）： 1-38.
[7]	Li B， Hoi S C H， Sahoo D， et al. Moving average reversion strategy for on-line portfolio selection［J］. Artificial Intelligence， 2015， 222： 104-123.
[8]	Li B， Hoi S C H. Online portfolio selection： A survey［J］. ACM Computing Surveys， 2014， 46（3）： 1-36.
[9]	Huang D， Zhou J， Li B， et al. Robust Median reversion strategy for online portfolio selection［J］. IEEE Transactions on Knowledge and Data Engineering， 2016， 28（9）： 2480-2493.
[10]	Yang X Y， Li H， Zhang Y， et al. Reversion strategy for online portfolio selection with transaction costs［J］. International Journal of Applied Decision Sciences， 2018， 11（1）： 79-99.
[11]	Cai X， Ye Z. Gaussian weighting reversion strategy for accurate online portfolio selection［J］. IEEE Transactions on Signal Processing， 2019， 67（21）： 5558-5570.
[12]	Peng Z， Xu W， Li H. A novel online portfolio selection strategy with multiperiodical asymmetric mean reversion［J］. Discrete Dynamics in Nature and Society， 2020， 2020（1）： 5956146.
[13]	Moon S H， Yoon Y. Genetic mean reversion strategy for online portfolio selection with transaction costs［J］. Mathematics， 2022， 10（7）： 1073-1092.
[14]	Guo S， Gu J W， Fok C H， et al. Online portfolio selection with state-dependent price estimators and transaction costs［J］. European Journal of Operational Research， 2023， 311（1）： 333-353.
[15]	He H， Li H. A new boosting algorithm for online portfolio selection based on dynamic time warping and anti-correlation［J］. Computational Economics， 2024， 63（5）： 1777-1803.
[16]	曹敏，吴冲锋. 中国证券市场反向策略研究及其短周期性［J］. 系统工程理论与实践， 2004， 24（1）： 30-34.
	Cao M， Wu C F. Tests of the contrarian strategy evidence from the Chinese stock market［J］. Systems Engineering——Theory & Practice， 2004， 24（1）： 30-34.
[17]	鲁臻，邹恒甫. 中国股市的惯性与反转效应研究［J］. 经济研究， 2007， 42（9）： 145-155.
	Lu Z， Zou H F. Momentum and reversal in China stock market［J］. Economic Research Journal， 2007， 42（9）： 145-155.
[18]	游家兴. 谁反应过度，谁反应不足——投资者异质性与收益时间可预测性分析［J］. 金融研究， 2008（4）： 161-173.
	You J X. Who overreacts and who underreacts？ analysis on the relationship between the investor’s heterogeneity and return time-series predictability［J］. Journal of Financial Research， 2008（4）： 161-173.
[19]	何诚颖，陈锐，蓝海平，等. 投资者非持续性过度自信与股市反转效应［J］. 管理世界， 2014（8）： 44-54.
	He C Y， Chen R， Lan H P， et al. Investors’ unsustainable overconfidence and stock market reversal effect［J］. Journal of Management World， 2014（8）： 44-54.
[20]	Da Z， Engelberg J， Gao P. The sum of all FEARS investor sentiment and asset prices［J］. The Review of Financial Studies， 2015， 28（1）： 1-32.
[21]	Guzmán G. Internet search behavior as an economic forecasting tool： The case of inflation expectations［J］. Journal of Economic and Social Measurement， 2011， 36（3）： 119-167.
[22]	Wang J， Li M， Wang X， et al. Impact of investor attention on mutual funds［J］. Journal of Neuroscience， Psychology， and Economics， 2021， 14（1）： 1-19.
[23]	瞿慧，沈微. 引入投资者关注的中国股市协方差预测——基于多元HAR类模型［J］. 中国管理科学， 2022， 30（7）： 9-19.
	Qu H， Shen W. Investor attention and covariance forecasting in China’s stock markets—a study based on the MHAR type models［J］. Chinese Journal of Management Science， 2022， 30（7）： 9-19.
[24]	林娟娟，唐勇，周小亮，等. 北上资金、百度指数与股市关联性的时频域研究——基于协高阶矩视角［J］. 中国管理科学， 2022， 30（1）： 20-31.
	Lin J J， Tang Y， Zhou X L， et al. Research on the relationship between northward capital， about： Blank index and stock market in time and frequency domain-based on the perspective of higher order co-moments［J］. Chinese Journal of Management Science， 2022， 30（1）： 20-31.
[25]	俞庆进，张兵. 投资者有限关注与股票收益——以百度指数作为关注度的一项实证研究［J］. 金融研究， 2012（8）： 152-165.
	Yu Q J， Zhang B. Limited attention and stock performance： An empirical study using Baidu index as the proxy for investor attention［J］. Journal of Financial Research， 2012（8）： 152-165.
[26]	陈植元，米雁翔，厉洋军，等. 基于百度指数的投资者关注度与股票市场表现的实证分析［J］. 统计与决策， 2016， 32（23）： 155-157.
	Chen Z Y， Mi Y X， Li Y J， et al. Empirical analysis of investor attention and stock market performance based on Baidu index［J］. Statistics & Decision， 2016， 32（23）： 155-157.
[27]	杨涛，郭萌萌. 投资者关注度与股票市场——以PM_2.5概念股为例［J］. 金融研究， 2019（5）： 190-206.
	Yang T， Guo M M. Investor attention and the stock market： A new perspective on PM2.5 concept stocks［J］. Journal of Financial Research， 2019（5）： 190-206.
[28]	张学勇，唐国梅. 行业关注度与股票横截面收益率——基于百度行业搜索指数的研究［J］. 经济学（季刊）， 2022， 22（3）： 773-794.
	Zhang X Y， Tang G M. Industry-wide attention based on Internet searches and the cross-section of stock returns［J］. China Economic Quarterly， 2022， 22（3）： 773-794.
[29]	樊晓倩，苑莹. 投资者本地异常关注能预测股票市场吗？［J］. 管理评论， 2021， 33（10）： 70-80.
	Fan X Q， Yuan Y. Can abnormal local investor attention be used to predict stock market？［J］. Management Review， 2021， 33（10）： 70-80.
[30]	张同辉，苑莹，曾文. 投资者关注能提高市场波动率预测精度吗？——基于中国股票市场高频数据的实证研究［J］. 中国管理科学， 2020， 28（11）： 192-205.
	Zhang T H， Yuan Y， Zeng W. Can investor attention help to predict stock market volatility？ An empirical research based on Chinese stock market high-frequency data［J］. Chinese Journal of Management Science， 2020， 28（11）： 192-205.
[31]	Blum A， Kalai A. Universal portfolios with and without transaction costs［J］. Machine Learning， 1999， 35（3）： 193-205.
[32]	Gao L， Zhang W. Weighted moving average passive aggressive algorithm for online portfolio selection［C］//Proceeding of 2013 5th International Conference on Intelligent Human-Machine Systems and Cybernetics， Hangzhou， China， August 26-27， 2013， IEEE， 2013： 327-330.
[33]	Helmbold D P， Schapire R E， Singer Y， et al. On-line portfolio selection using multiplicative updates［J］. Mathematical Finance， 1998， 8（4）： 325-347.

策略	BCRP	Market	PAMR	OLMAR	EG	UP	Anticor	BD-AC
Dataset A	1.32	0.78	0.42	0.92	0.91	0.92	0.81	1.10
Dataset B	7.84	1.75	3.89	1.63	1.63	1.63	2.40	3.00
Dataset C	6.23	1.04	0.05	1.20	1.19	1.20	1.36	2.58
Dataset D	2.63	0.98	0.32	1.24	1.22	1.24	1.37	1.36
Dataset E	9.30	1.84	0.37	1.77	1.76	1.78	1.11	2.57
Dataset F	3.12	0.81	0.06	1.16	1.14	1.16	0.32	1.04

数据集	指标	BCRP	Market	PAMR	OLMAR	EG	UP	Anticor	BD-AC
Dataset A	APY	0.0710	-0.0615	-0.1961	-0.0218	-0.0238	-0.0225	-0.0514	0.0230
	IR	0.0376	—	-0.0176	0.0502	0.0500	0.0492	0.0259	0.0370
	SR	0.0249	-0.3344	-0.0153	0.0039	0.0035	-0.2191	0.0147	-0.0265
	MDD	0.4291	0.5805	0.7758	0.5059	0.5071	0.5069	0.7933	0.8206
	CR	0.1655	-0.1059	-0.2528	-0.0430	-0.0469	-0.0444	-0.0648	0.0280
Dataset B	APY	0.6734	0.1494	0.4041	0.1300	0.1300	0.1306	0.2443	0.3165
	IR	0.0862	—	0.0405	-0.0165	-0.0169	-0.0163	0.0332	0.0383
	SR	0.0722	0.2936	0.0632	0.0357	0.0356	0.2937	0.0425	0.3757
	MDD	0.6662	0.5573	0.6102	0.5232	0.5254	0.5227	0.7083	0.7397
	CR	1.0109	0.2680	0.6622	0.2484	0.2475	0.5227	0.3449	0.4279
Dataset C	APY	0.5796	0.0106	-0.5371	0.0467	0.0449	0.0469	0.0802	0.2679
	IR	0.0774	—	-0.1080	0.0447	0.0441	0.0449	0.0348	0.0566
	SR	0.0653	-0.0975	-0.0770	0.0195	0.0191	0.0243	0.0283	0.0441
	MDD	0.5833	0.4208	0.9680	0.3623	0.3652	0.3618	0.6368	0.6833
	CR	0.9937	0.0253	-0.5549	0.1288	0.1231	0.1297	0.1260	0.3920
Dataset D	APY	0.2733	-0.0060	-0.2507	0.0544	0.0513	0.0563	0.0814	0.0804
	IR	0.0568	—	-0.0285	0.1088	0.1077	0.1124	0.0362	0.0354
	SR	0.0458	-0.1575	-0.0184	0.0212	0.0205	0.0564	0.0285	0.0282
	MDD	0.5993	0.4790	0.8361	0.4161	0.4196	0.4135	0.7093	0.6302
	CR	0.4560	-0.0125	-0.2999	0.1307	0.1222	0.1361	0.1148	0.1275
Dataset E	APY	0.1872	0.0478	-0.0739	0.0449	0.0447	0.0445	0.0079	0.0753
	IR	0.0383	—	-0.0255	-0.0054	-0.0057	-0.0057	0.0107	0.0237
	SR	0.0458	0.0314	-0.0042	0.0197	0.0196	0.0194	0.0168	0.0253
	MDD	0.5479	0.5269	0.7890	0.4948	0.4958	0.4954	0.7776	0.7705
	CR	0.3416	0.0907	-0.0936	0.0908	0.0901	0.0899	0.0102	0.0977
Dataset F	APY	0.0915	-0.0158	-0.1897	0.0116	0.0104	0.0117	-0.0831	0.0030
	IR	0.0461	—	-0.0253	0.0122	0.0120	0.0123	0.0192	0.0262
	SR	0.0277	-0.1907	-0.0155	0.0115	0.0112	-0.1019	0.0161	0.0208
	MDD	0.6783	0.5794	0.9527	0.5575	0.5576	0.5582	0.9808	0.8732
	CR	0.1349	-0.0272	-0.1991	0.0208	0.0187	0.0210	-0.0847	0.0034