股票的GA-RBF预测模型

针对股票市场中价格序列是一个复杂的非线性动态系统,同时难以实现准确预测的问题,采用RBF神经网络方法,利用其较强的非线性处理能力进行股票价格预测研究,同时利用具有全局搜索能力的遗传算法对RBF神经网络进行优化研究,得到性能更加优越的神经网络模型.分别使用传统RBF神经网络和遗传算法优化后的RBF神经网络进行股票价格预测,实验结果表明:利用遗传算法优化后的RBF神经网络在网络的结构和逼近性能上都有明显改进和提高,能够有效地反映股票价格的波动特性,提高股价预测的准确性.该研究成果对股票市场规律的研究具有一定的参考价值和指导意义.     

成交量与股票收益率关系的实证分析

选取2005年至2015年上证指数数据,对上海证券交易所的股票成交量与股票收益率进行理论分析和实证研究,建立了股票日成交量变化率与日收益率回归模型、周成交量变化率和周收益率回归模型,得出股票收益率与股票成交量变化率呈正相关关系的结论。     

股票系统风险衡量指标β系数及其测定方法

探讨了普通股票投资中系统风险衡量指标β系数的含义，通过与ＣＡＰＭ模型的对比，阐明β系数的测定方法应以收益率标准差（或协方差）为理论基础。测定了上海证券交易所６种挂牌股票的β值，指出我国上市股票β值主要取决于该股票流通量的大小，而且与政策因素有着密切的关系，体现了收益与风险的对等。     

浅析股票期权的理论基础及会计处理

股票期权制度作为一项有效的激励约束制度,它有利于完善我国企业经营者激励机制,促进国有企业改革的自身完善和进一步发展。股票期权在经济理论和实务中的发展对会计的理论和实务提出了新的要求,逐渐成为我国理论界和实务界关注的焦点。本文主要分析了股票期权的理论基础及我国现行股票期权的会计处理方法。     

基于基因表达式编程的股票指数时间序列分析

基因表达式编程（GEP）是遗传算法研究的新分支．针对股票对象的特点,提出了适应股票规律的GEP—STOCK模型,包括n时段—STOCK—GENE,STOCK—fitness以及STOCK-GEP算法,并以上海证券交易指数时间序列数据为对象做了实验．进行了误差和指数涨跌分析．实验结果表明GEP—STOCK模型预测精度较高,20d的平均绝对误差为11．08,平均相对误差为0．64％．从涨跌情况预测来看,模型对6d后指数的涨跌判断,正确率高于80％以上．     

股票回报：非线性剩余收益模型和线性剩余收益模型的比较——来自中国A股市场的实证分析

基于Ohlson（1995）的线性剩余收益定价模型和Zhang (2000)的非线性剩余收益模型,本文考察了沪深两市A股1999-2008年度10年间的回报与会计信息之间的相关性,主要研究了盈利回报率、盈利回报率变化、净资产账面价值变化、净资产收益率变化和增长机会对股价回报的解释能力。通过比较两种模型的解释能力和适用性,分析中国市场的特性,并为非线性剩余收益提供进一步的证据。研究结果发现：非线性剩余收益模型对于中国市场的解释能力更强,多年总体样本解释能力为22.4%;盈利回报率、净资产收益率变化以及增长机会与股票回报具有显著正相关关系。     

我国证券市场波动性与流动性的复杂网络特性

分别基于股票价格波动相关性、流动性相关性,运用阈值法构建了我国沪深股票市场股票关联网络,研究网络的拓扑特征.实证研究表明:股票之间的价格波动和流动性大多呈同向变动趋势;在一定的阈值区间内,股票关联网络具有小世界性,表明单个股票价格波动或流动性的增减,可以通过网络传染给其他股票,同时这种传播在集团内部更为容易;并且在特定阈值区间内,股票关联网络的度分布具有无标度性,说明我国股票市场中存在少量的具有较大市场影响能力的股票,它们对网络的整体价格波动(流动性)关联起着重要作用.实证研究结果对股票投资组合风险管理具有一定的指导意义.     

浅论企业并购的公司价值分析

虽然企业并购在我国的发展十分迅速,但由于面临着经济转变带来的不同制度和文化环境,企业并购承受的风险和所能够带来的利益也从某种程度上显得难以控制难以捉摸。因此,对企业并购这一活动的成本效益进行分析,成了并购的关键,也便是本文所需要探讨的问题。如何合理进行并购,降低成本,提高效益,需要分析企业在并购中可能存在的成本及产生的相应效益,明确了成本效益的主要影响并加强并购时的管理控制,便能较好的推动企业的成长与发展。     

基于 Ｈａｄｏｏｐ 平台的主题概念股票挖掘系统应用研究

针对目前资本市场上快速挖掘某种主题概念股票的需求?提出了一种新思路?该思路以上市公司的核心题材、主营收 入和资本运作 ３ 项数据为基础?进行主题概念相关指数的分析和计算?最终以此指数作为标准推荐主题概念相关股票?并开 发了一套数据抓取程序和 Ｗｅｂ 应用程序? 数据抓取程序利用定时组件 Ｑｕａｒｔｚ 从各大财经网站抓取全体上市公司已公开的各 类基本信息?存入分布式文件系统 ＨＤＦＳ 中?Ｗｅｂ 应用程序接收用户输入的查询关键字组合?系统利用抓取的数据集从公司收 入、投资和核心概念 ３ 方面分析和计算出公司与用户需要查询的关键字组合的相关指数?最后汇总为总相关指数?总相关指 数越高的公司?其相关度越高?相关度越高的公司越有可能就是用户想要查找的相关主题概念公司? 通过这 ３ 方面的结合?在 公司的过去和未来?在定性和定量等多个方面都进行了相关度的挖掘?从而计算出来的相关性将更加可靠、准确?