中国股市长记忆性实证研究

利用对数周期图法对沪深A股指数及上证 180和深证成指部分样本股分别进行了长记忆检验 ,得出以下结论 :对于收益率序列 ,沪市的长记忆特征不显著 ,深市具有一定的长记忆特征 ;对于收益波动率序列 ,沪深两市均具有高度显著的长记忆特征     

牛熊市视角下我国股市波动率的长记忆性研究

为更好地理解我国股票市场运行状态,使用局部Whittle(local Whittle,LW)半参数法分别估计了沪/深股市在牛/熊市阶段波动率的长记忆性强度.实证结果显示:沪(深)市波动率在牛/熊市阶段均存在显著的长记忆性,且熊市波动的长记忆强度要大于牛市;在牛(熊)市阶段,沪市波动的长记忆强度大于深市,且两者的差异在牛市阶段更为明显.特别的,对波动序列作了长记忆真伪性检验,增强了估计和解读的合理性.     

基于R/S检验、ARFIMA模型和小波方差的人民币汇率长记忆性检验

分别应用R/S检验、ARFIMA模型和小波方差对人民币兑美元名义汇率收益率序列的长记忆性进行检验.根据R/S统计量计算出Hurst指数为0.573 745 1,采用ARFIMA(2,d,1)模型对人民币汇率收益率序列进行拟合的效果比较好,其分数差分参数为0.145 7,利用Haar小波对人民币汇率波动绝对值收益率序列进行最大重复离散小波变换,得出其长记忆性参数为0.393 1.3种方法的研究结果均表明人民币兑美元名义汇率收益率序列存在长记忆性.     

中国沪深股市收益率相关性的实证分析

沪深股市相似的结构和监管环境使得两市的收益率之间具有相互作用和影响。运用Granger因果检验及GARCH—M模型对沪深两市间的相关性进行了分析和检验,结果表明,沪深股市收益率之间存在较强的相关性,沪市对深市的均值溢出效应显著。     

基于DFA的我国股票市场标度特性研究

将消除趋势波动分析法(DFA)应用于我国沪深两市不同时间标度收盘指数的对数收益率序列,全面分析了我国股市的标度特性.发现标度指数随着考察时间的长短,即数据个数的不同而不同,但从长期来看,两市波动都存在持久性特征,而且收益率的绝对值序列和平方值序列的持久性更明显;在相同时间范围内,不同时间标度序列的标度指数相差不大,存在标度不变性;小标度时间序列存在多重分形特征.这些结果说明我国股票市场存在复杂的非线性动力学特性.     

基于分形V/S技术的沪深股市长记忆性研究

将Cajueiro和Tabak提出估计Hurst指数的新方法即V/S分析引入我国沪深股票市场非线性特征的研究.比较研究表明V/S分析不易受短期相关性的影响,较R/S分析更为稳健和有效.通过对沪深两市综合指数的日收益率和周收益率序列的V/S分析,得到沪深两市的Hurst指数均小于0.5,这表明我国股票市场呈现出反持久性特征而不是长记忆性.     

股市收益率与交易量长记忆性实证研究

从计量经济学及统计学的角度,运用重标极差分析、修正重标极差分析、KPSS检验及Granger因果检验等方法,对我国沪深股市收益率与交易量的长记忆性特征进行了实证分析,并进一步研究了股市收益率与交易量之间的相互关系.重标极差分析及修正重标极差分析的实证研究结果表明,收益率及交易量序列的Hurst指数均大于0.5,且成交量序列的Hurst指数明显高于收益率序列;此外收益率及交易量的KPSS统计结果对于所有滞后阶数均显著.上述结果说明中国股市收益率和成交量均具有长记忆性特征,且成交量的长记忆性强于收益率的长记忆性;Granger因果检验结果表明收益率和成交量之间存在着相互引导关系.     

股权分置改革前后中国股市混沌分形特征比较

股权分置一直是困扰中国股市的制度性缺陷.通过计算股改前后沪深两市4种指数的Hurst指数和分形维,来比较股改前后市场的混沌分形特征.得出一系列结论:中国股票市场具有混沌分形特征,股改明显加快了丧失初始条件记忆的速度;股改后市场的投资风险有加大的趋势;深市最少需要4个变量来建立市场的动力学方程,而沪市就至少需要5个变量,沪市比深市复杂些;股改后两市分形维有下降趋势,股改有提高市场效率的趋势.这些结论可为研究股权分置改革对中国股市的影响提供一点思路.     

中国A股市场股票投资组合特征分析与Fama—French三因子模型

风格投资在中国越来越受到重视。Fama＆French(1998)指出,在世界范围内,价值型股票比成长型股票具有普遍的较高的收益率。我们采用MorningStar风格分类方法对中国A股市场构造风格投资组合,并就沪深两市分别考察了各风格投资组合的收益率特征,发现在中国市场上,价值股收益率高于成长股收益率的现象仅对沪市小盘股显著;而小盘股超额收益存在于沪市价值型股票和深市价值型、混合型股票。并比较了CAPM和Fama French三因子模型对中国股票市场的解释能力。     

沪深A股市场惯性效应与反转效应的比较分析

采用Jegadeesh等的研究方法,对沪深A股市场惯性效应和反转效应进行了检验和比较.实证结果显示：市场趋势上,沪深两市的走势具有很强的连动性,均表现为短期的惯性收益、中期的反转收益和长期的惯性收益现象;市场表现上,沪深两市均表现了强者衡强、弱者衡弱和追涨杀跌的态势,但深市比沪市表现出了更强烈的惯性策略获利性.     

中国与海外股指的混沌特征的比较实证

通过深沪综合指数的5天收益率分布规律以及用R／S方法研究收益率序列得出这样的结论,即深沪综合指数的收益率不服从正态分布,并且收益率是负斜,呈现出胖尾和峰态;中国股票市场不是一个有效的市场,其收益率序列均为服从分形概率分布的持久性时间序列,它们遵循有偏随机游动,市场表现出较强的趋势行为;深综指的赫斯特指数H为0．87,非周期循环为16周(4个月),而沪综指的赫斯特指数H为0．85,非周期循环为25周(6个月)。也就是中国股市呈现出长期记忆等非线性的混沌特征。     

香港国企H股与沪深股市股指收益率波动特征及其关系研究

选取香港国企H股指数、上证指数和深圳综指2003年2月26日至2006年5月12日的股票日收盘指数作为样本,运用TARCH模型研究收益率波动的特征.结果表明:三市指数收益率均存在信息不对称效应,但沪、深股市比香港国企H股波动剧烈.运用Johansen多变量协整关系检验及Granger因果关系检验.结果发现,它们之间存在着长期稳定的协整关系.香港国企H股与内地股市关系密切,香港国企H股的变动会对沪、深股市产生影响,而沪、深股市的变动不会对香港国企H股产生影响,同时上海股市的变动也会对深圳股市产生影响,但深圳股市的变动对上海股市影响不大.     

证券市场中的混沌分形行为的研究

近几年来,用混沌理论来分析证券市场的变化规律,已经逐渐成为证券市场中非线性研究的热点.股票价格收益率及其波动常常表现为混沌特征,本文提供了一些方法来研究证券市场中的股票价格及其收益率所具有混沌特征.如Lyapunov 指数为正则可以确认系统具有混沌行为,再由混沌吸引子的分形维数分析证券市场运行系统的混沌状态.从而得出我国证券市场运行于混沌状态的有力证据.     

股价指数的自相关与标度不变性分析

运用基本统计量分析我国股票市场收益率的分布状态,通过比较收益率自相关函数及收益率平方的自相关函数,判断序列的独立性,根据基于标准差时间序列计算的Hurst指数,对股票市场的有效性进行实证研究·结果表明,沪深两市收益率均不服从正态分布,存在非线性相关关系,Hurst指数大于05,股票价格为分形时间序列,表现出长期相关性,市场未达到弱式有效     

沪深股市的波动性分析——基于t分布下GARCH和SV模型的比较

构建基于N分布和t分布下的GARCH(1,1)和SV模型,并通过实证分析探讨了上证指数和深证成指收益序列的波动性.分析结果表明,GARCH(1,1)类模型和SV类模型能较好地拟合沪深股市收益率的波动,并指出我国股市存在较强的波动持续性;而基于t分布的各模型能有效地刻画股市的厚尾性;此外,通过计算VaR值,说明深市比沪市的风险更大,且SV类模型能更准确地反映收益率的风险特性.     

基于跳跃厚尾随机波动模型的股市波动研究

通过对4个不同SV模型对比分析,试图了解股市收益序列中具有较大波动幅度的极端实现值能够被解释为一个非高斯分布的尾部行为,还是高斯扩散中一个跳跃组分的叠加,抑或是这两种设定同时起作用.采用两种具有不同波动程度的上证综指日收益数据进行的实证研究发现,我国股市日收益序列不仅存在显著的尖峰(厚尾)特征,而且波动持续性较低,以及受政府政策影响较多.此外,两组收益数据所对应模型的实证比较发现,跳跃设定有助于SV模型描述波动剧烈的收益序列,但却不适合波动平缓的收益序列.     

基于EMD的中国股票市场分形特征研究

为揭示我国股票市场的分形特征, 利用经验模态分解及重标极差分析法(R/ S: Rescaled Range Analysis)探究中国股票市场的特征, 利用经验模态分解方法对沪深300 指数的收盘价格对数收益率进行分析, 并采用分形理论中的R/ S 分析法对固有模态函数进行实证研究, 以揭示我国股票市场的分形特征。实验结果表明,我国股票市场具有显著的自相似性, 分解后的收益率序列是有偏的随机游走过程。     

VaR模型及其在上海股市中的应用

资产未来收益率分布是决定VaR计算准确性的主要因素，针对上海证券市场综合指数收益率分布的不同假设，从静态与动态角度给出4种计算VaR的方法．首先通过拟合历史数据，说明上证综合指数收益率服从t4.579分布，然后考虑到收益率波动的时变性，用GARCH（1，1）模型来估计波动率．最后通过Back-test检验，得出GARCH-t4．869是计算VaR的最好的模型．