美国科技行业股票的动量、交易量和投资者情绪研究——基于隐马尔可夫模型的主成分分析

本文研究了动量、交易量和投资者情绪对美国科技行业股票收益的影响，采用主成分分析-隐马尔可夫模型（PCA-HMM）方法。价格和交易量是一般均衡模型中两个众所周知的方面。动量效应源自市场均衡中价格的确定。通过研究动量、交易量和投资者情绪，我们直观地将理论金融模型与现代行为金融主题联系起来。我们并不是使用机器学习模型预测未来股票收益并进行比较，而是应用PCA-HMM方法揭示金融和宏观经济时间序列中的隐藏力量，以校准不同的状态。结合传统金融研究方法与现代机器学习技术，我们显示投资者情绪效应对科技行业股票收益的主要影响，超越了交易量效应和动量效应。交易量效应对股票收益也有不容忽视的影响。投资者情绪效应和交易量效应对市值较大或中等的科技股影响最大。相反，动量效应与科技行业股票收益的相关性微乎其微，无论是从股票层面还是个体状态层面。我们还根据科技行业的独特特征讨论上述发现背后的机制，并提出风险管理的关注点。采用这种PCA-HMM方法，我们揭示了科技行业股票收益中的独特模式。PCA-HMM方法特别有助于识别市场行为不规则的边缘案例。