股票价格塑性性质的计量经济模型及实证检验

首先基于股票价格和成交量，根据股票的量价规律，分析了股价波动的塑性性质；然后使用计量经济学方法建立描述股价波动的塑性模型，包括股价塑性基本模型、基本模型的一阶自回归模型、幂指数模型及幂指数模型的一阶自回归模型，基于12支样本股对这些模型进行参数估计和检验。由4种模型均能够通过经济学检验和统计学检验可知股价波动具有塑性性质，且4种形式的股价塑性模型均是可行的。比较4种形式的股价塑性模型的检验结果得出幂指数模型描述股价塑性较为科学、合理。     

流动性与股价崩盘风险关系及影响渠道的实证研究

以2007—2016年A股非金融类上市公司为样本,基于治理理论和短期主义理论,使用固定效应模型对面板数据进行分析,研究股票流动性与股价崩盘风险的关系,进一步分析股票流动性影响股价崩盘风险的渠道.结果表明,股票流动性与股价崩盘风险呈显著正相关关系,并且证明了股票流动性是通过短期机构投资者渠道影响股价崩盘风险的.研究结论为投资者、上市公司以及市场监管机构从微观视角认识股价崩盘风险提供有价值的参考.     

上市公司股票期权激励与公司风险的实证研究

利用我国A股上市公司2006~2009年的数据,对上市公司高管人员的股票期权激励与公司投资风险和经营风险之间的关系进行实证研究,并通过引入股票期权的Vega分析未来股价波动对公司高管人员股票期权收益等的影响.结果表明：股票期权激励与公司的投资风险、经营风险存在显著的双向正相关关系;股价的波动性将增加高管人员股票期权的收益,减轻管理者对风险的厌恶感,从而增加公司的投资风险与经营风险.
     

基于非线性波动网络模型的股票市场关联特征研究

股价波动是股票市场研究的重要内容,本研究基于信息理论和复杂网络理论提出股票市场的股价波动网络模型.首先对股价波动关联性进行度量,然后分析股价波动的聚集性,运用极大平面过滤图算法对股票之间关联性进行分层研究.以上证180指数金融成分股票为样本,实证结果发现:与常用的线性相关系数相比,在非线性波动条件下,互信息和最大信息系数对关联系有更好的度量,在结果的精确性上,最大信息系数比互信息更具优势.在构建的股票网络中,仅有少数关键的股票节点,信息的传递通过这些节点以分层的方式传递到整个市场.在金融大数据背景下,非线性波动网络模型为挖掘市场风险特征提供新的方法.     

股价信息含量对企业资源配置效率影响实证研究

以中国上市公司为研究样本,采用股价波动非同步性方法度量股价信息含量,并基于面板数据回归模型对股价信息含量与资源配置效率的因果关系进行了实证检验.实证结果表明:股价信息含量与企业的投资过度行为呈显著负相关,即股票价格中包含的特质信息能起到抑制企业投资过度行为,增加资源配置效率的作用;高信息含量股价也能显著提升企业未来期间的经营绩效水平.因此上市公司股价信息含量增加能对资源优化配置产生正向促进作用.     

基于Bert股吧舆情分析的特征融合股价走势预测研究

传统股价预测模型往往只考虑时序性数据且局限于模型自身机制,而忽略舆情对股价的影响,导致预测精度不高,针对该问题,提出基于 Bert 股吧舆情分析的特征融合预测模型对股价收盘价进行涨跌幅预测。 首先,采用Bert 自然语言处理对股吧舆情以及公司公告政策进行情感分类,并转化为虚拟变量,构建金融舆情情感特征库;然后将金融舆情特征库和时序性数据合并构建特征融合矩阵;最后输入长短期记忆网络模型(LSTM)进行股价收盘价预测,并得出股价的涨跌结果。 以华银电力(600744. SH)为例进行实证分析,实验结果表明:引入股票情感特征后的模型,得到的股价走势准确率上升了 8. 63%,预测收盘价的回归指标 FMAPE FRMSE 分别下降了 23. 59%、22. 9%,R2 提高了 8. 11%,证明引入新的舆情情感特征在实际预测中能提高股价预测的准确率,可以作为精准预测股价走势的手段。     

日历、成交量进程和股价波动率的关系

在成交量进程标度的股票价格动力学方程为几何布朗运动的假设下,将股票价格动力学方程的进程标度从成交量进程转换到日历进程.转换后的股价动力学方程能表现出异步交易特性,也能表现出股票收益率与成交量的非线性关系,而且能表现出股票收益波动率与成交量的非线性关系.通过对沪深两市共21支流通市值较大股票的实证检验,表明该模型能显著改进股票收益率的正态性.     

基于Attention机制的LSTM股价预测模型

针对时间序列分析方法和神经网络对于股价预测具有一定局限性的问题,将基于Attention机制的LSTM模型应用于股价预测;以2014-01-02—2020-09-22日的上证工业指数、上证环保指数等相关数据为样本,在LSTM模型中引入Attention机制,使模型聚焦于重要的股价特征信息,预测股票第二日的最高价;实证研...     

股票的特征值及G-特征向量分析

通过股价序列具有Markov齐次性将股价综合指数分成6个状态,建立了股票交易市场的综合指数和股价波动、稳态概率的分析预测模型．利用模型对股票综合指数进行特征值和G-特征向量分析法,并对上海证券交易所股份综合指数的部分历史数据进行了相应的实证分析．     

基于R语言的网络舆情对股市影响研究

以开源R语言为平台,东方财富网的股评为研究对象,结合中文文本挖掘技术和SVR支持向量回归模型.利用中文挖掘技术,对股评进行去噪声、分词、同义词合并、去停用词、TFIDF、文本向量化将非结构化文本数据转化为结构化的特征向量矩阵,与股票的收益率建立SVR回归模型,通过预测未来的股票收益率来预测股价的涨跌趋势.研究结果表明,预测股价涨跌趋势与实际趋势基本吻合,可以通过分析网络舆情来对股市未来发展趋势进行预测.     

基于半参数LM-ARMAX模型的股价波动成因分析

选择沪市1991-2010年所有上市公司的数据,建立LM-ARMAX模型来实证股票价格波动的决定因素;然后,根据模型半参数估计的结果,进行基于半参数估计的广义似然比检验和基于Wild Bootstrap的Smirnov检验.研究结果表明:市帐率和成交量是股票价格波动的主要因素,而净资产收益率对股票价格波动的影响不显著;相比起"指数研究"和"样本替代研究"而言,实证的数据精确度更高,说服力更强.     

基于混沌时序重构的股票价格预测研究

应用非线性映射迭代模型，采用小波理论来辨识混沌模型中的参数，并通过对混沌时序进行预处理，可得到较好的预测结果。采用小波网络对非线性映射迭代模型中的参数进行辨识，辨识的准确程度较高，采用该模型对上海证券市场600063号股票的开盘和最高价格数据进行了建模和模型参数辨识，并据此做出相关预测，得到了满意的预测结果。     

我国高科技概念股市场定价的实证分析

本文基于沪深两市 1 997、1 998两年的数据 ,对以电子信息行业和生物制药行业为代表的高科技概念股的股价行为进行了回归分析 ,建立了一个高科技概念股市盈率估价模型 .模型表明我国高科技概念股的市盈率仅仅与它的总风险相关 ,而与系统风险无关 .这与经典资本资产定价模型相冲突 ,对资本资产定价模型的进一步回归检验表明 ,证券资产平均收益率也仅与总风险相关 .对上述结果的可能解释是 :我国证券市场不符合资本资产定价模型的市场有效性假设 .     

基于多元回归与技术分析的组合股票价格预测

在股票交易过程中,股票价格走势是很多中国股民关心的热点问题.选取股市中4个重要技术指标,相对强弱指标(RSI)、顺势指标(CCI)、移动平均线(MACD)和5日均线建立了非线性回归预测模型,对我国农业银行和滨江股份股票的价格走势进行了短线预测.结果表明,建立的回归模型可以预测某些股票短期价格趋势,具有一定理论和实际应用价值.     

股票价格跳过程为复合Poisson过程的期权定价模型

研究了股票价格的行为模式，运用随机分析中的鞅方法推广了Merton关于欧式期权定价的结果．改变了Merton期权定价模型的基本假设，认为股票价格的跳跃过程为一类特殊的复合Poisson过程且无跳时的波动率为时间的函数，建立了股票价格服从跳扩散过程的行为模型，在风险中性的假设下，推导出了股票价格的跳过程为复合Poisson过程的欧式期权定价公式，推广了Merton的结果。     

股票市场供求关系与股价及其变化率的微分方程

在股票市场中,股票进行买卖的行为叫做股票交易。交易量的大小称为成交量,而成交量直接影响股票价格的变化。主要研究供求与股价等一些相关因素的关系,建立数学模型,并对此模型进行讨论、分析,给出定量的描述,为投资者提供一个理论依据。     

回归分析在新股股价预测建模中的应用

针对我国A股股市的特点，运用统计学和财务分析等方法，系统分析了影响新股上市股价的相关因素。对抽取的股票样本数据进行了线性回归分析，得出了各因素所占权重，建立了一个预测新股上市第一天开盘价的数学模型，并以此模型为基础在计算机上开发了新股定价预测系统。实践表明，该系统对于新股的投资决策具有积极的指导意义。     

融合多源数据的股指预测研究

金融市场中股票价格的变动受到多方面因素的影响,如何更好地利用更多的大数据为投资决策进行服务始终是各方研究的重点。本研究以沪深300指数为研究对象,采用图像化处理的方式融合财经新闻、市场交易数据和技术指标等多源异构数据,建立了卷积神经网络模型,对未来不同时间长度的股指图像数据进行涨跌预测。通过对模型结构的稳健性检验,使用60天融合新闻情绪、技术指标与股价三类图片的三层图片预测模型,预测股指未来5天后的涨跌样本外准确率可达65.2%。融合多源数据后的图片数据能够丰富单一的股价数据,从而提升了模型的预测准确率。通过与传统的线形模型、LSTM循环神经网络模型及其他经典卷积神经网络模型比较,本研究构建的预测模型在样本外预测效果最佳,表明本研究构建的基于多源异构数据的图片预测模型在股指预测中具有可行性和一定优势。