沪、深两市长期均衡关系的实证研究——来自综合指数和成分指数的比较分析

文章运用计量经济学中的协整理论,对沪、深两市综合指数间及成分指数间的长期均衡关系进行了比较分析.结果表明上证综指与深证综指之间不存在长期均衡关系,上证成指与深证成指之间存在长期均衡关系.     

基于Copula的沪、深、港股票市场的组合风险度量

文章在"推出股指期货和融资融券"的新政策下,结合t-EGARCH模型和Copula方法,利用上证综指、深证成指以及恒生指数对沪、深、港股票市场进行了分析.该模型能更好地捕捉资产间的非线性相关性,更符合现实市场.在此基础上,利用蒙特卡洛模拟计算股指投资组合的VaR及CVaR,从而验证了模型的有效性.     

基于阿基米德Copula度量VaR的蒙特卡罗法

文章以混合正态分布的形式拟合单个金融资产收益分布,采用阿基米德Copula结构度量投资组合的相关关系,改进了传统的蒙特卡罗法并给出了相应算法.利用上证综指和深证成指进行实证研究的结果表明,较之传统方法,用阿基米德Copula结构的蒙特卡罗法度量投资组合的风险值更为有效.     

VaR模型在我国沪、深股市风险度量中的实证

文章以上海和深圳证券交易市场为研究对象,选择2007年1月4日到2008年12月31日的上证综指和深证成指的每日收盘价共976个数据为样本,分别采用历史模拟法和方差-协方差法这两种常用的VaR模型对中国股票市场风险进行实证分析,并得出沪、深股市整体风险较大但深市又大于沪市及投资于证券市场组合可以分散投资风险的重要结论.     

中国股票市场收益与波动的长期记忆性研究

文章对我国股票市场的长期记忆特征进行了系统研究:选择上证综指和深证成指日收益序列为研究对象,采用计量经济学方法,考察中国股票市场日收益序列和日收益波动序列的长期记忆特征,建立既能描述收益长记忆又能刻画波动长记忆特征的ARFIMA-FIGARCH模型,并与其它短记忆模型进行对比,分析得出相应结论.然后针对目前我国股票市场存在的诸多问题,提出一些规范和完善股票市场、提高市场有效性的建议.     

中国股指波动率的智能预测模型与实证检验

文章提出将改进型粒子群算法与最小二乘支持向量机(LSSVM)相结合的中国股指波动率智能预测方法,利用径向基核函数LSSVM对股指波动率进行建模及预测,并将自适应惯性权重粒子群算法(AIWPSO)和动态加速系数粒子群算法(DACPSO)分别实现径向基核函数LSSVM的参数优化,建立了两种股指波动率的智能预测模型.以日内价格极差作为波动率的代理变量,通过对上证综指和深证成指的实证研究检验了两模型的有效性.检验结果表明,AIWPSO算法优化的径向基核函数LSSVM作为中国股指波动率智能预测模型,具有更高的波动率预测精度和更快的建模速度.     

中国股市收益率和波动率的长记忆性检验

运用修正R/S和V/S两种分析方法,选取两大盘指数(上证综指和深证成指)以及20只个股为样本,对其收益率和收益波动率序列的长记忆性进行大范围的比较研究.结果表明:对于收益率序列两大盘指数存在长记忆性,且深市强于沪市,而个股普遍不具有长记忆性;对于收益波动率序列,无论是大盘指数还是个股均存在显著的长记忆性,并且,三个收益波动率序列的长记忆性由强到弱依次为修正对数平方收益率、绝对收益率和平方收益率.     

基于EGAROH-Gopula的金融市场条件相依分析

文章应用条件copula函数拟合上证指数和深证成指收益率的联合分布.对上证指数和深证成指收益率应用EGARCH-t模型拟合其条件分布,在此基础上根据连续条件分布Sklar定理.采用条件正态copula函数建立两者的联合分布.结果表明,EGARCH-t模型能够很好的描述两指数收益率的特征,正态Copula能够很好的描述沪深股市的相关性信息.     

基于ARIMA模型的深证成指收益率分析

文章根据ARIMA(p,d,q)模型的原理和方法,对我国深证成指时数收益率数据进行了建模,在实际计算过程中,考虑到对数收益率数据比较小的特点.利用矩阵的SVD分解和MoorePenrose广义逆,来求解参数的极小最小二乘解,以减少中间过程的误差,从而获得比较好的模型.最后.对模型进行了实验仿真.经检验分析结果比较理想.     

基于SV-Copula模型的相关性分析

内容提要: 本文结合SV模型和Copula技术,建立两变量金融时间序列的Copula-SV模型,并以上海综合指数和深圳成分指数为例利用建立的模型进行分析,根据采用不同的Archimedean Copula函数,通过使用K-S检验说明用Clayton Copula研究上证综指和深圳成指的下尾相关性,用Gumbel Copula研究上证综指和深圳成指的上尾相关性是合适的,从而风险管理者就可以根据尾部相关性,定量的研究两个市场的相关性及预测市场的变化。     

中国股市波动率的TSK非线性组合预测模型

Grey-GARCH模型是一类新的波动率模型.针对单一Grev-GARCH类模型只能有限地提高波动率的预测精度,利用TSK模糊推理系统,结合组合预测的思想,建立波动率的TSK非线性组合预测模型.通过对上证综指和深证综指的实证分析,发现与单一Grey-GARCH类模型、RBF非线性组合预测模型和线性组合预测模型相比,TSK非线性组合预测模型总体上能够获得更高的预测精度,说明TSK非线性组合预测模型是一种有效的波动率预测分析方法.     

沪深股市的互动关系

在已有研究的基础上,通过GARCH模型的实证分析后认为上证综指的历史信息可以反映出深圳综指当前走势,但上证综指的历史信息对于深圳成指的走势的预测不起作用;上证综指的非预期波动率对于深成指和深综指的波动率均有显著性的影响,两市表现出整体波动持续性.结合这两个结论,本文进一步认为出现联动现象是由政策造成的.     

基于EGARCH-Copula的金融市场条件相依分析

文章应用条件copula函数拟合上证指数和深证成指收益率的联合分布。对上证指数和深证成指收益率应用EGARCH-t模型拟合其条件分布,在此基础上根据连续条件分布Sklar定理,采用条件正态copula函数建立两者的联合分布。结果表明,EGARCH-t模型能够很好的描述两指数收益率的特征,正态Copula能够很好的描述沪深股市的相关性信息。     

中国股市波动性研究

文章运用GARCH模型族对上证指数和深证成指收益率的波动性进行研究,分析了我国股市波动性的特点。通过比较发现,对于沪、深两市股指收益率的波动性,EGARCH(1,1)模型和EGARCH(1,1)-M模型都能很好地拟合,同时还对两市股指收益率的波动性进行了预测分析。     

SARS疫情对深证成指影响的时间序列模型

时间序列是一组按时间顺序排列数据序列,经常用x1,x2,……,xm,……表示.在经济分析中,许多历史统计数据都可建立时间序列模型,并可借助相应模型进行外推以预测未来,亦即时间序列预测.本文利用SAS系统下时间序列(ETS)模块建立带有自相关校正的回归模型和带有干预序列的ARIMA模型,计算、分析SARS疫情对我国深证成指走势的影响.     

基于数据挖掘的股票指数涨跌概率推断

文章基于历史数据采用泊松分布对股票指数涨跌的动态过程进行拟合,选取合适的拟合评估函数确定最佳泊松分布拟合的参数值。在此基础上构建股票指数涨跌的概率分布函数来对股指涨跌进行预测。选取了上证综合指数、新上证综指和深证新指数进行检验,检验结果显示预测的结果较好,能在一定程度上对股票指数涨跌进行预测,技术分析在中国股票市场具有一定的效果。     

中证500股指期货推出降低了中国股市波动吗?——来自2007—2016年沪深股市的证据

选取2007—2016年沪深股市的日收盘价时间序列为样本数据,运用小波分析法对时间序列进行了降噪处理,在此基础上,对中证500股指期货推出对中国股市波动的长期与短期影响进行了实证检验。研究结果表明:中证500股指期货推出对中国股市波动具有长期抑制作用。但是,短期来看,中证500股指期货推出对中国股市波动具有显著的助推作用,且对中证500指数波动的助推力度最大,对深圳成指波动的助推力度居中,对上证综指波动的助推力度最小。中证500股指期货推出后,中证500指数的波动率比上证综指的波动率增大了15%,深圳成指的波动率比上证综指的波动率增大了3%。     

深圳股市价量关系的实证分析

价量关系是技术分析的核心,与技术分析的有效性密切相关。文章对深证成分指数价格与成交量的协整分析,表明它们之间存在长期的均衡关系———协整关系,即系统存在经济机制制约着价格与成交量之间的变动;通过误差修正模型得出短期偏离向长期均衡的校正速度;另外,利用动态分析给出了价量之间交互影响的具体特征的描述。     

组合保险策略对市场波动性的影响

投资组合保险作为投资者管理市场风险的一种方法本身存在一定的局限性,本文首先从风险资产价格与保险价格分析组合保险与市场波动性关系,得出组合保险的存在增加市场波动性这一结论.并利用深证成指2005年、2003年数据,验证无论在哪一种市场行情下,参与保险后的价格波动明显比保险前高.     

非线性协整的秩检验方法及其响应面函数研究

 本文对非线性协整关系的秩检验方法进行了系统的梳理,运用Monte Carlo模拟给出了不同样本容量的各个秩检验统计量的临界值,并进一步探讨了其响应面函数,给出了各个秩检验统计量临界值的近似计算公式。对中国上证综指与主要发达国家股指关系的秩协整检验表明,与传统线性协整Johansen检验相比,秩协整检验能够检测到更多的线性和非线性协整关系。