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Copula的沪深股市相依结构与相关模式研究

针对传统Pearson线性相关系数与Granger因果分析法的不足,采用一种特殊的相关性分析方法—Copula函数方法对沪深股市相关结构与相关模式进行研究。首先用核密度估计方法对Copula函数的边缘分布进行估计,再结合秩相关系数对数据拟合较好的Copula函数进行选择,最后用离散L2范数评价方法对其拟合程度进行检验。研究发现,t-Copula可以较好地拟合沪深股市的日收益率序列,沪深股市日收益率序列呈现出较强的相关性以及对称的尾部相关性,当沪深两市出现大幅震荡时,两市收益率的协同作用将大幅增强。     

基于VaR的我国股票市场波动性分析

首先通过对我国沪深股市的统计特征分析表明,我国股票市场存在着丛集效应,且不服从标准正态分布,然后再根据统计特征分析选择合适的模型应用Excel计算上证指数和深证成份指的日对数回报VaR值。再者通过对沪深两市的统计分析和VaR值的分析得出：我国股市波动具有很强的丛集性,股市极不稳定,1996年以前股市波动尤其剧烈。最后针对这一结论提出相应的措施。     

基于小波相干的沪深股市联动与差异性研究

文章基于小波相干,同时从时域和频域两个维度分析沪深两市的联动性及其差异性.结果表明,两市日收益率存在较强的联动性且同相运动;但仍具有差异性,2003年4月至2004年3月在中小尺度上,2006年7月至2009年7月在中长尺度上,两股市收益联动性均不显著.     

基于混合copula函数的沪深股市与香港股市一体化趋势分析

沪深股市与香港股市近年来分割状况改善,出现"一体化"发展趋势.测定两市相依结构和波动溢出效应对于市场参与各方具有重要意义.结合传统的协整检验、Granger因果检验和VEC模型,引入混合copula函数对两市代表性指数——沪深300指数和恒生中国企业指数进行相关性分析.参数估计方面,利用非参数核密度方法估计边缘分布,结合EM算法计算混合copula的参数.实证结果表明两个市场具有显著相关性,且上尾相关性大于下尾相关性;混合copula函数与单copula函数分析结果一致,拟合效果优于单copula函数.     

基于GARCH模型的股票指数收益率波动性分析

我国沪深股市相似的结构和监管环境使得两市的收益率和波动性之间具有相互作用和影响.所以可以运用ARCH模型和GARCH模型,通过研究股票指数的波动,发现我国股票市场上下波动的不一致性,即利空消息比利多消息更加具有影响力;股票市场都存在明显的GARCH-M效应;且发现上海股票市场投资者的风险厌恶程度高于深圳市场投资者;深圳市场的股票波动会影响上海市场的的波动.据此提出了要健全股票市场信息披露制度、加强证券市场化和对投资者进行理性教育的建议.     

分层制度背景下新三板市场风险溢出效应研究

在新三板市场发展日渐成熟的背景下,探讨其与沪深股市之间的波动溢出效应对于完善我国金融市场的稳定性研究具有重要意义。利用分层制度前后各指数收益率数据,运用GARCH-CoVaR模型测算三板做市指数与沪深股市各指数之间的风险溢出情况。研究结果表明:新三板市场与沪深股市存在双向时变风险溢出效应,分层制度的实施显著降低了新三板市场的风险波动情况,同时减弱了其与沪深股市之间的风险溢出效应。因此,应当进一步细化新三板市场的分层,完善市场相关制度建设。     

基于ARMA-EGARCH-M模型的沪深股市波动性分析

文章讨论了ARCH模型族的拟合波动性的优缺点,建立ARMA-EGARCH-M模型,简要说明了此模型的优点;以2000年1月11日-2006年3月15日上证综指和深证成指收盘价为样本,对我国沪深股市收益率分布用ARMA-EGARCH-M模型进行拟合分析,结果表明该模型能更有效地拟合我国沪深股市的波动性;最后解释实证结果和分析了我国股市的行为。     

基于可见图的沪深股市波动分析

利用可见图算法,考虑沪深股市不同时间频率(日、周、月)的收益率序列,将其映射成网络,发现所构造的网络具有分层结构和无标度性.网络节点度分布幂律指数与Hurst指数服从线性规律,验证了可见图算法计算Hurst指数的可靠性.同时,截取2007~2008年沪深股市大涨大跌收益率序列,将其分别映射成网络,得出股市大涨与大跌在网络拓扑结构方面的非平凡性质.     

不讲情面 不留盲区 不走过场——随省安委会第二督查组赴永州、郴州督查见闻

正7月1日至7月20日,第二督查组采取"四不两直"、暗访为主、明查为辅的方式,深入郴州、永州两市开展安全生产督查,并对发现的问题隐患列出书面清单进行了反馈。凌晨0时至5时坚守在高速公路服务区检查客运车辆、危险品运输车辆,冒着酷暑深入高危企业检查,面对"黑校车"超载立即要求查处……记者跟随第二督查组进行了采访,记录下了"不讲情面、不留     

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.     

我国证券市场有效性实证分析

运用序列相关性和游程检验方法,对我国股票市场的有效性进行了检验,上海股票市场利用上证综合指数周末收盘价(19951222～19990408),深圳股票市场利用深证综合指数周末收盘价(19960607～19990408)·两种方法检验结果表明,两个市场均具有弱有效性·在对个股进行检验时,总体所选样本的有效性检验得以通过,与大盘相一致;但个别股票表现出具有一定的价格相关性·这表明,我国股票市场近年来总体发展是趋向于规范而有效的,但其有效程度还不高     

股票市场的复杂性与有效性(英文)

对金融市场提出有效性指标和复杂性指标,利用"滑动窗技术"研究了上海和深圳股票市场有效性与复杂性之间的关联.结果显示,上海股票市场的复杂性和有效性之间以及复杂性之间存在双向的Granger因果关系,深圳股票市场亦是如此;两个市场的有效性之间存在双向的Granger因果关系,两个市场的复杂性之间亦是如此;上海股票市场的有效性之间以及复杂性之间相互影响强于深圳股票市场,两个市场有效性之间的相互影响强于复杂性之间的相互影响.论文的实证结果支持了刘维奇关于金融复杂性可以改进金融市场效率的理论研究的论断.     

基于时序模型的股指序列分析

根据计量经济时序模型,基于2005～2009年沪深两股市的数据和统计软件EVIEWS,将计量模型与分形维数相结合,利用股指的高维混沌特征,以L-P算法确定了分形维数。运用向量自回归VAR模型,对沪深两个股市进行了单位根检验,根据AIC和SC信息准则确定滞后阶数,并对股市的未来趋势进行了有效地动态和静态预测,得出了较为合理的结果。     

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.     

沪深两市股票指数的长记忆性

针对中国股票市场的长记忆性问题,讨论了分整自回归移动平均(Auto-regressivefractionalintegratedmovingaverage,ARFIMA(p,d,q))模型中的参数估计问题,重点集中在对分整参数d的估计。使用Hurst指数方法估计d,并分别用经典R/S方法、有偏修正R/S方法和无偏修正R/S方法进行估计,并结合上证指数和深证成指的收益率数据,给出了3种方法的估计结果。实证结果表明,中国股票市场已初步显示出了长记忆性。给出ARFIMA模型的最优阶数和全部参数估计值。得出了上证指数和深证成指收益率所适合的最优的ARFIMA模型。     

基于小波协方差的中国股市波动序列相关性的实证分析

在综述相关系数与概率中变化协调的相关性度量方法基础上,提出了基于小波协方差的相关性度量方法,并对沪、深股市波动序列之间的相关性进行了实证分析,结果表明沪深股市波动序列在整体上具有一定的正相关性,不同尺度下沪、深股市波动序列之间的相关性不同,小尺度下相关性小,因此以小尺度为基准,采用组合投资分散风险较好。     

沪深300股指期货、现货及恒生指数关联性研究

选取2010年4月至2016年2月沪深300股指期货、现货价格和恒生指数共1 421组数据,运用格兰杰因果检验、VECM等方法分析了它们之间的相互影响。结果表明:沪深300股指期货对恒生指数的增长有较大的负面影响,沪深300指数的增长对恒生指数起到了正面引导的作用;沪深300股指期货、现货价格对恒生指数的脉冲响应均为正值,分别在第2期、第1期达到峰值;方差分解发现第2期以后沪深300指数的贡献度为65%左右,恒生指数贡献度为30%左右。