上证指数与股票收盘价相关性实证研究

本文针对相关系数的特征,提出全集相关系数及子集相关系数序列方法;以1990年12月19日-2016年12月30日披露的部分个股收盘价及上证指数数据为样本,按照"一一对应"原则进行了数据挖掘,研究筛选后的样本数据。研究结果表明,上证指数与不同的个股收盘价存在着不同程度相关性;个股收盘价与上证指数的相关性随时间而发生变化;以上证指数为参照系,有效研判个股的变化特征。本文的研究结论为证卷市场股票分类及参照上证指数实施股票投资操作提供重要依据。     

基于具有LR型模 糊输出回归模型的上证指数预测

以对称二次型模糊回归模型为基础,引入一般二次模糊回归模型,利用模糊最小二乘法估计未知参数．构建评价标准考察两模型的拟合效果,在样本期内和样本期外分别评价模型的实际拟合与预测能力．     

缺失的投资逻辑

2012年已经过去了三个季度。回顾年内行情,特别是上证指数的趋势,虽说有过一强一弱的两波升势,但其大的趋势仍是熊市格局,市场总体给人一种“扶不起来”、“易跌难涨”,并且越来越弱、熊市“回来了,而且真的就不走了”的感觉。     

基于阶段划分的股市信息冲击的非对称性分析

基于AR-EGARCH-M模型,对1991-2013年上证指数收益率序列的信息冲击非对称性进行分析.首先以年为单位分析了信息冲击的非对称性特征,根据非对称性效应的表现将其划分为6个阶段进一步分析.分析结果显示:A股市场表现出信息不对称性,信息冲击的正负杠杆效应交替出现,但是随着时间的推移,这种不对称性在明显减小.这表明中国股票市场的投机成分不断减少、投资者不断趋于理性,市场有效性水平提高.     

模型FI-EGARCH-M的建立及实证分析

近年来,金融市场在经济发展中占据了越来越重要的位置,金融数据波动规律成为各国学者竞相研究的热门课题.根据我国近几年来股票市场的波动特点,为其寻找更为合适的模型来拟合股票价格波动规律,即对股票价格波动做进一步分析.提出具有有效市场和分形市场二者优点的FI-EGARCH-M模型,并用所建立的模型对上证指数进行了实证分析.     

混沌粒子群神经网络在上证指数预测中的应用

上证指数预测是一个非常复杂的非线性问题,为了提高对上证指数预测的准确性,本文采用基于混沌粒子群(CPSO)算法对BP神经网络算法改进的方法来进行预测.BP神经网络算法目前已经应用到预测、聚类、分类等许多领域,取得了不少的成果.但自身也有明显的缺点,比如易陷入局部极小值、收敛速度慢等.用混沌粒子群算法改进BP神经网络算法的基本思想是用混沌粒子群算法优化BP神经网络算法的权值和阈值,在粒子群算法中加入混沌元素,提高粒子群算法的全局搜索能力.对上证指数预测的结果表明改进后的预测方法,具有更好的准确性.     

救市基金可筹建

4月22日，上证指数自年初以来首次跌破3000点，此前，市场进行了有关是否应该救市的激烈辩论。政府选择降低印花税，以及限制大小非过于集中出售已获解禁的股票，来挽救垂死挣扎的股市。经过几次蛊惑的反弹后，上证指数惊现十连阴，并创下今年新低，市场上“救市”的声音却销声匿迹。     

基于上证指数高频数据的中国资本市场微观特性研究

以上证指数高频数据为研究对象,基于上涨、平缓和下跌三个市场状态分析我国金融市场的微观特性.通过分析上证指数在不同时间间隔下的概率分布、自相关性和多分形三个特性,发现上证指数对数增量序列存在厚尾、列维非高斯分布特征,且随着时间间隔的增大,收益序列愈收敛于正态分布,其中,下降趋势收敛于正态分布的速度更快,拟合于列维分布的效果更好.最为突出的是,在自相关函数分析中,上证指数的收益率无长期记忆性,而波动率则具有较强的记忆性.同时,波动率的自相关性存在明显的周期性特征,即T=240 min,且在下降趋势时其相关性最高.在以时间增量刻画的多重分形结构中,对于不同的时间序列、时间间隔,由于受投资期限和流动性的影响,三种股市状态的收益率波动存在着短期和长期性的差异.上证指数的总体宏观行为与国际成熟股市较为一致,但在微观特性上仍存在显著差异,其所特有的周期性是投资者的惯性反冲所致,而自相关性函数较之成熟股市衰减较慢,则表明投资者的投资行为更多地受历史信息的影响.     

计算资产组合市场风险值的一种有效方法

市场风险值(VaR)是一种常用的度量风险的方法．本文采用极值理论中的阈值模型来计算VaR．基于中国上证指数和深成指数的收盘价，构造超越阈值的极值渐近概率分布，所得到的计算结果与传统方法相比较，有明显的优越性和更好的精度．     

上证指数收益率的长期记忆性

本文介绍了利用谱回归对分数积分移动平均自回归 (ARFIMA)模型的分数差分参数进行估计的方法,并据此方法对上证指数收益率的长期记忆性进行了检验,根据分段检验的结果,得出一些有关我国证券市场有效性的结论。