数据挖掘中关联规则算法的考察

文章从算法角度对关联规则的提出、演变过程和前沿研究进行了较为详细的考察,并在此基础上提出了关联规则未来研究的领域和发展趋势。文章先详细地考察了关联规则的三类典型算法,然后总结了基于复杂数据属性的关联规则算法扩展。为考察其他方面的算法扩展和介绍其他学科领域对关联规则的研究奠定了基础。     

基于Apriori算法的关联规则数据挖掘研究

关联规则挖掘是数据挖掘中重要的研究课题,Apriori算法是关联规则挖掘的最有影响的算法。针对Apriori算法中频繁项集产生效率低和产生无用规则、丢失有用规则两个核心问题,文章给出了分辨矩阵、分辨向量、兴趣度、含负属性项关联规则并提出了改进的Apriori算法。该算法能有效提高频繁集的产生效率和产生更为合理的关联规则。     

中国股票市场风险与交易量相关性的实证分析

本文的目的在于通过对股票市场风险的板块分解就我国股票市场风险形成及其与交易量与之间的相关性进行实证分析.     

中国股市与国际股市的协整关系研究

股票市场是市场经济条件下最重要的资本市场。本文根据2005年～2008年期间中国股票市场与国际主要股票市场的每日收盘数据．运用单位根检验与协整检验分别对上海上证综合指数与香港国企H股指数、恒生指数、道琼斯指数和纳斯达克指数之间，深圳成份指数与香港国企H股指数、恒生指数、道琼斯指数和纳斯达克指数之间的是否存在协整关系进行了实证分析，从而研究我国股票市场是否与国际股票市场接轨。     

沪深股市指数收益率波动性的实证分析

文章采用基于GED的GARCH族模型对我国沪深股市指数收益率的波动性进行实证分析,结果发现:我国上海股票市场指数收益率波动性存在明显的非对称性,而深股票市场不明显;而且我国股票市场总体上不存在显著的风险——收益权衡关系,投资者总体上趋于中性,沪市中的投机性要比深市严重。     

基于偏好变量的指数跟踪方法

考虑到在进行指数跟踪时影响强度大并且流动性好的成份股往往是被偏好的,结合股票市场的网络结构和指数的编制规则,提出基于偏好变量的指数跟踪方法;对沪深300指数进行实证分析,从跟踪偏离度、平均超额收益和年跟踪误差三方面对新方法进行评估,并与非负LASSO模型进行对比分析。实证结果显示,新方法不仅优于非负LASSO模型,而且优于市场上大多数指数基金。     

投资组合规模与分解风险能力的相关性

本文以2000年3月27日至2001年3月23日(共238个交易日)上海A股股票市场随机选取的102只股票日收盘价作为样本数据,通过对股市风险的板块分解,就我国证券市场投资组合中股票数目大小与分散风险能力进行实证分析,并对我国证券市场上投资分散化程度的"有效"区域进行探讨.     

基于体制转换模型的动态相关系数研究

对相关系数的马尔可夫体制转换模型（RSDC）进行拓展,将多维随机变量的协方差阵分成方差和相关系数,方差利用GARCH模型来描述,相关系数阵则划分为不同的状态。RSDC模型被应用于中国股票市场研究板块指数的动态相关性,给出行业板块的beta系数。实证结果表明两状态恰好体现高、低不同的相关性,且状态持续的概率较大,基于RSDC模型的beta系数与常相关系数的多元GARCH模型存在一定的差异。     

中国数字经济空间关联及其驱动因素研究

基于2018年31省份数字经济发展指数,运用引力模型和网络分析法对中国数字经济空间关联及其驱动因素进行分析。实证发现:数字经济省际关联呈现出"中心—外围"式非均衡分布发展特征,各省在网络中的联系较稀疏、稳定性较差、等级结构较弱,但彼此互通可达;数字经济发展中心位于东部沿海省份,扮演"桥梁"和中心行动者角色,从外围省份不断吸引要素资源,并对外围关联省份的辐射力大;各板块间的联系和溢出显著,发挥东部省份双向溢出和主受益板块的中心优势,引导中西部省份经纪人和净溢出板块,增强其发展能力;各省产业结构、区域开放、基础设施、科技创新、市场化、信息化、城镇化等显著差异共同驱动数字经济空间关联。要树立一体化发展理念,注重空间关联及溢出效应,制定区域差别化发展政策,缩小"数字鸿沟",推动数字经济省际协同发展。     

基于二元POT极值模型的货币市场与资本市场相依性分析

文章运用二元POT极值模型考察了货币市场与资本市场之间的相依性,刻画相应市场极端事件的相依区间.实证结果表明,代表货币市场流动性的7天上海银行间同业拆放利率分别和代表债券市场的中债综合指数收益率、代表股票市场的上证综合指数收益率的尾部之间存在着正的渐进相依性,表明极端情况下货币市场和债券市场、货币市场和股票市场间存在关联性.shibor作为基准利率实现了一定的金融资产价格发现功能.当货币市场流动性出现紧张的时候,通过投资者的投资行为,债券市场和股票市场上的投机性资金可以缓冲一些货币市场的流动性紧张.通过两组市场共同极值点时段,我们发现2011年和2013年的年中和年末的两个时段,市场间的关联效应比较明显.     

核主成分遗传算法与SVR选股模型改进

 量化选股一直是金融领域研究的热点。随着人工智能技术的空前发展,量化选股方法取得了很大进步。本文构建了基于核主成分遗传算法改进的支持向量回归机人工智能选股模型(KPCA-GA-SVR),并基于沪深股市股票基本面及交易数据,分别从短期和中长期对其选股性能和预测精度进行了实证分析。主要结论为：①遗传算法(GA)改进的SVR较传统模型预测精度更高,且避免了过度拟合;②与采用主成分降维技术的PCA-GA-SVR模型相比,基于核主成分特征提取的KPCA-GA-SVR模型,具有更好模型稳健性及预测准确性;③中长期内该模型的预测误差随滑窗长度的增加有降低趋势,且一年期预测精度最高;短期内不同滑窗下,一周的预测效果最佳。本研究对个人投资者的投资决策及国家宏观监控股市动态变化都具积极意义。     

Detecting Randomness: A Review of Existing Tests with New Comparisons

In this article we review and compare a number of existing tests for detecting randomness in time series data, with emphasis on stock market index data. By comparing variance ratio tests with traditional statistical tests, we have the most extensive simulation comparison of such procedures. The investigated tests are compared over a diverse group of distributions, models, and stock market applications. In our stock market data analysis, the choice of data transformation can have a noticeable effect on test results. This study provides the reader with a guide as to which test and transformation is most appropriate for their use.     

The predictability of stock returns - a nonparametric approach

This paper reexamines the predictability of stock returns with a nonparametric model. We first identify, through a set of diagnostic tests, five lagged predictive factors from a linear model. Using these factors, we predict one-month-ahead stock index returns with a nonparametric approach. We find that our nonparametricmodel. We first identify, through a set of diagnostic tests, five lagged predictive factors from a linear model. Using these factors, we predict on -month-ahead stock index returns with a nonparametric approach. We find that our nonparametric model can correctly predict about 74% of stock index return signs. With various ex ante trading rules based on nonparametric predictions and transaction cost schedules, we then compare the performance of "managed" portfolios with that of the buy and hold portfolios. We fmd that the managed portfolios are mean-variance dominant over the buy-and-hold strategies when no or low transaction costs are assumed. When high transaction costs are assumed instead, the mean-variance dominance diminishes However,the Sharpe index of risk-adjusted portfolio performanceindicates that the managed portfolios significantly outperform the buy-and-hold strategies even for the high-transaction cost scenario. We show that the difference in performance between the managed portfolios and the buy-and-hold strategies can be partially explained by the January effect or the small firm effect. In sum, this paper demonstrates the merits of using a nonparametric approach for predicting stock returns and testing market efficiency.     

Reply

This article develops a new identification procedure to estimate the contemporaneous relation between monetary policy and the stock market within a vector autoregression (VAR) framework. The approach combines high-frequency data from the futures market with the VAR methodology to circumvent exclusion restrictions and achieve identification. Our analysis casts doubt on VAR models imposing a recursive structure between innovations in policy rates and stock returns. We find that a tightening in policy rates has a negative impact on stock prices and that the Federal Reserve (Fed) has responded significantly to movements in the stock market. Estimates are robust to various model specifications.     

基于LSTAR模型的中国股市泡沫风险识别

本文在非线性模型框架下拟合中国主要股价指数的真实数据生成过程,并提出股市泡沫风险识别方法,较Phillips et al.（2011）提出的上确界单位根(SADF)方法具备更好的效果,能够精准预判股市泡沫风险进而为防范化解金融风险的政策措施提供参考。实证检验发现,主要股价指数的波动均存在逻辑平滑转换自回归(LSTAR)模型描述的非线性特征,自推出以来,四大股价指数均存在泡沫风险,上证指数存在六个主要的持续期,深圳成指存在四个主要的持续期,沪深300指数存在两个主要持续期,而创业板指数存在三个持续期。总体来看,创业板指数的泡沫生成时间会先于其它三大指数,可以作为预警中国股票市场泡沫风险的先行指标,且2015年7月之后的中国股票市场并不存在泡沫风险。     

连续贝塔、非连续贝塔与股票风险溢酬

本文利用高频数据将传统的CAPM贝塔分解为连续贝塔和非连续贝塔（跳跃贝塔和隔夜贝塔），并在此基础上进一步考虑正向市场和负向市场的非对称性，将跳跃贝塔又细分为正向跳跃贝塔和负向跳跃贝塔，以探讨不同类型系统性风险的特征差异及其所对应的风险溢酬。实证结果表明，个股对市场发生的非连续变动比连续变动更加敏感，投资者对市场发生的负向跳跃比正向跳跃反应更加强烈；中国股票市场上的系统性非连续风险溢酬（跳跃风险溢酬和隔夜风险溢酬）显著为正，但系统性连续风险并没有得到定价；其中，跳跃风险溢酬则主要来源于对系统性负向跳跃风险的补偿，而正向跳跃风险对股票横截面收益率没有显著的影响。     

预期引导、政策冲击与股市波动——基于文本分析法的异质性诊断

防范股票市场异常波动是维护金融稳定和防控金融风险的关键一环。货币政策实践中,预期引导与政策冲击对股市波动的实际影响和传导机制迥然不同。现有文献对两者之于股票市场波动 的异质性影响多有讨论,但分歧明显。基于2005年到2019年中国人民银行各季度《货币政策执行报告》和《货币政策大事记》,本文分别构建表征货币政策预期引导强度和实际操作频度的代理变量,对上述指标之于同期A股市场主要行业指数的波动性影响做了多维诊断和系统梳理。研究发现,第一,预期引导效应和政策冲击效应对于股票市场波动性的影响存在显著异质性特征,预期引导有助于平抑市场波动,而频繁调控则会放大股市波动。第二,预期引导的明确性会制约其对股市波动的平缓作用,货币调控意愿的表达越明确,越有助于平抑股票市场波动;而更坚决的“严厉型”表述比态度相对温和的“温和型”表述能够更显著地平抑股票市场波动。第三,实际操作频度对股市波动的放大作用受制于具体调控方向,宽松型调控的频率上升仅会小幅放大股市波动,而紧缩型货币调控则会大幅抬升股市波动性。由此,从平抑股市异常波动、维持金融稳定的角度出发,强化货币政策的预期引导比相机抉择的频繁调控更为重要;在预期引导过程中,应当增强调控意愿表达的明确性和坚决性,以限制其对金融市场运行带来的扰动。     

上海股票市场分形特征的实证研究

以有效市场假说为基础的现代资本市场理论被越来越多的实践证明与现实情况不符,而分形理论则考虑到资本市场的复杂性和EMH的缺陷,以非线性范式为分析基础,解释了有效市场理论无法解释的许多市场现象,为更深入地分析资本市场提供了新的思路和方法。文章以上海股票市场为例,用分形理论对上海股市的分形特征进行了研究,其结果表明上海股票市场具有明显的分形特征。     

深沪股指收益率波动研究

文章选取沪、深两市1991年1月1日至2005年2月18日的股票指数作为样本,运用EGARCH(1,1)模型,研究指数日收益率波动的性质特征,并探讨了不同阶段股市对利好消息和利空消息的反映。结果表明:不同阶段的指数收益率序列具有结构特征,各阶段沪、深两市指数收益率均与滞后一阶高度相关,且两市指数收益率均具有信息不对称效果。     

上证指数收益率的特征及其波动性分析

股票价格的频繁波动是股票市场最明显的特征之一。ARCH类模型可以很好地预测金融资产收益率的方差。通过对上证指数的统计分析表明,上证指数的收益率分布表现出非正态性,并存在自回归条件异方差的特征。利用ARCH类模型对上证指数的波动进行了拟合,结果表明GARCH(1,1)模型对上证指数波动具有较好的拟合效果。