轉(zhuǎn)讓股票進行買賣的方法和形式稱為交易方式，它是股票流通交易的基本環(huán)節(jié)。下面是學習啦小編給大家推薦的股票市場相關的論文，希望大家喜歡!

　　股票市場相關的論文篇一

　　《淺談我國A股與B股的收益率波動性的差異》

　　【摘要】中國的股票市場自從上海與深圳證券交易所成立以來，經(jīng)過了20年的發(fā)展，與世界其他國家或地區(qū)的股票市場相比，中國的股票市場依舊是一個高度分割的市場，這主要表現(xiàn)在中國的股票市場被人為的分割為A股市場和B股市場。本文通過實證分析A股與B股指數(shù)間的互動關系及變化規(guī)律，試圖找到中國股票市場不同市場的相似與差異點，從而為政策制定者提供消除或消弱股票場分割提供參考。

　　【關鍵詞】股票市場;ARCH模型;收益率;波動性

　　Engle(1982)提出的ARCH模型，被認為是最集中地反映了金融數(shù)據(jù)時間序列方差波動特點的模型，成為現(xiàn)代計量經(jīng)濟學研究的重點。ARCH模型是用于分析收益率與波動率的有效方法之一，它解釋了收益率序列中比較明顯的變化是否具有規(guī)律性，并且說明了這種變化前后依存的內(nèi)在傳導是來自某一特定類型的非線性結構，較好地刻畫了外部沖擊形成的波動集聚性。Bollerslev(1986)修正了ARCH模型，在ARCH模型中加入了條件異方差的移動平均項，提出了GARCH模型。

　　本文在分析我國A股與B股市場的波動性問題時，也同樣借鑒了上述方法，并收集了2005年至今的近5年的上證A股與上證B股、深證A股與深證B股的市場日數(shù)據(jù)，著重分析我國A股與B股市場的收益率波動性的差異。

　　一、證券指數(shù)收益率的平穩(wěn)性檢驗

　　從下圖中從上到下分別是上證A股指數(shù)、深圳A股、深證B股、上證B股的波動性曲線，從中，我們可以看到A股的波動要大于B股的波動，存在明顯的差異。同時也可以看出去波動的趨勢基本是一致的。

　　下面，我們來看看其日收益率曲線是否是平穩(wěn)的，單位根檢驗如表1，通過分別做上證A股指數(shù)、深證A股、深證B股、上證B股的日收益率，及上證A股指數(shù)與上證B股的比率、深證A股與深證B股的日收益率的比值的單位根檢驗，發(fā)現(xiàn)上述變量都是平穩(wěn)的。

　　二、A股與B股的收益率的波動性分析

　　1.A股與B股的收益率的波動性的一致性分析

　　在這里運用GARCH-M模型，我們以A股指數(shù)的收益率作為因變量，B股指數(shù)的收益率作為自變量，同時將GARCH項引入均值方程中，如果各個統(tǒng)計量是顯著的，那么表明，A股與B股的日收益率具有一致性;相反，如果統(tǒng)計量不顯著，那么，表明A股與B股的日收益率不具有一致性。這里仍然選擇上證A股與上證B股、深證A股與深證B股作為研究對象，觀察期為2005年1月5日至2010年12月17日大約5年的日數(shù)據(jù)。模型設定如下：

　　(a)式是均值的方程，帶誤差項的外生變量的函數(shù)。因為是基于過去信息的一步向前預測方差，所以稱為條件方差。條件方差的方程有三項。其中，為A股指數(shù)日收益率，為B股指數(shù)日收益率。

　　檢驗結果如表2。

　　從檢驗結果來看，該模型的回歸結果是顯著的，從而與預期一致，從而可以判定出，A股與B股的日收益率具有一致性。即，當面臨同樣的經(jīng)濟機遇或者沖擊時，其反應的方向是一致的，而且，在GARCH模型中，發(fā)現(xiàn)GARCH項系數(shù)較大，表明，歷史信息對當期的波動作用較大。但是，僅此我們無法判斷A股與B股的在收到?jīng)_擊時的反應幅度大小。所以，我們接著進行下一步的檢驗。

　　2.A股與B股的收益率的波動性的差異性分析

　　在進行A股與B股的收益率的波動性的一致性分析時，以上證A股與上證B股指數(shù)的日收益率的比值，以及深證A股與深證B股指數(shù)的日收益率的比值作為考核對象，如果兩者的比值波動幅度較小，則可以認為A股與B股的日收益率的差異較小，反之，則可以認為A股與B股的日收益率的差異較大。這里，我們首先來看看A股與B股的日收益率的比值的數(shù)據(jù)的統(tǒng)計特征。

　　從表3可以看出，上證A、B股日收益率比值的波動較大，而深證A、B股日收益率比值的波動較小。通過GARCH檢驗其方差，設為A股與B股指數(shù)日收益率比值，并設為被解釋變量，為被解釋變量，模型設定與前面類似。

　　如果回歸方程的各個統(tǒng)計量顯著，則表明滯后一期的比值可以解釋當期的收益率比值。從而表明，A股與B股的收益率受到相同的沖擊或利好消息后，其波動的差異較小，在可以接受的范圍內(nèi);反之，若統(tǒng)計量不顯著，那么表明滯后一期不能很好的預測到當期。此外，在一般的研究中認為在GARCH模型中，GARCH項代表歷史趨勢對當期的波動率的作用影響，殘差項代表最新的沖擊對當期波動率的影響大小。若GARCH項系數(shù)較大，表明歷史信息對當期的波動影響較大;反之，若殘差項較大，則表明，波動率在很大程度上由當期的最新信息決定。結合上述分析，回歸結果如表5。

　　從回歸結果中，可以看出，深證股票市場的A股與B股的收益率比值的回歸較為顯著，表明，深證股票市場的A股與B股的波動性差異較小。而且，其GARCH項系數(shù)較大，表明歷史信息對收益率比值的波動(波動性差異)影響較大，而新信息的影響較小，這也可以解釋深圳A、B股市受到新的經(jīng)濟沖擊下，其波動差異較小。

　　此外，上海股票市場的A股與B股的收益率比值的回歸并不顯著，表明了上海股票市場的A股與B股的收益率的波動性差異較大，其GARCH項系數(shù)較小，表明歷史信息對收益率比值(波動性差異)的波動影響較小，殘差項系數(shù)較大，表明新信息對波動性差異的影響較大。

　　三、結論及原因分析

　　通過對我國滬深兩市的A股與B股的指數(shù)收益率的進行實證分析，表明，滬深兩市的A股與B股的收益率變動具有一致性，但是也存在差異性，具體說來，上海股票市場的A股與B股的波動差異較大，而深圳股票市場的A股與B股的差異性較小。

　　我國的企業(yè)同時在國內(nèi)外上市，其面臨的宏觀經(jīng)濟環(huán)境是一樣的，但是其收益率波動性卻存在比較明顯的差異，究其原因，可能有以下幾點：

　　1、市場分割

　　在分割的市場上，風險定價是不一致的。導致中國證券市場分割的主要原因是限制國內(nèi)投資者投資于國外股票市場和B股市場，以及限制國外投資者投資于A股市場。

　　2、信息非對稱

　　影響A、B股價格差異的信息非對稱是指國內(nèi)外投資者之間的信息非對稱。主要表現(xiàn)為：(l)國內(nèi)投資者擁有較多信息，國外投資者擁有較少信息;(2)國內(nèi)投資者先得到信息，國外投資者后得到信息。

　　3、流動性差異

　　流動性是指股票變現(xiàn)的能力。股票市場的功能之一是提高產(chǎn)權交易的流動性。投資流動性越差的股票，交易成本越高，流動性差的股票具有較高的期望收益和較低的價格以補償較高的交易成本。

　　4、匯率風險

　　中國的B股是以美元或港幣計價交易的，股票交易環(huán)節(jié)幾乎沒有匯率風險。不過，根據(jù)《上海市人民幣特種股票管理辦法的實施細則》，B股企業(yè)分紅派息以人民幣計價，按照人民幣兌美元即時匯率折算后以美元支付，因此B股投資者承擔一定的匯率風險。

　　股票市場相關的論文篇二

　　《股票收益波動率預測模型比較研究》

　　[摘要]依據(jù)建模理論的不同，可將股票收益波動率預測模型分為兩大類：一類是以統(tǒng)計理論為基礎的傳統(tǒng)型的波動率預測模型;另一類是以神經(jīng)網(wǎng)絡、灰色理論、支持向量機等為理論基礎的創(chuàng)新型預測模型。運用這兩類模型對股票收益波動率進行預測時各有特點。本文對這兩類模型研究現(xiàn)狀進行了介紹，對兩類模型的特點進行了比較分析，并對未來發(fā)展方向提出建議。

　　[關鍵詞]股票收益;波動率;GARCH模;型SV模型;神經(jīng)網(wǎng)絡;灰色模型;支持向量機

　　一、股票收益波動率預測模型研究現(xiàn)狀

　　如何對股票收益波動率進行準確的描述與預測?這一直以來都是金融學領域探討的熱點問題之一。把握股票收益波動率的特征及趨勢，對投資者測度、規(guī)避和管理股市風險具有極其重要的理論和實際意義。因此，長期以來許多學者運用各類預測模型對股票收益率波動性進行實證分析和預測，希望能夠從中得到有益的啟示和可以遵循的規(guī)律。目前，從國內(nèi)外的相關文獻來看，盡管對股票收益波動率進行預測的模型有很多種，但依據(jù)其建模理論不同，可將模型劃分為兩個大類：一類是以統(tǒng)計原理為基礎的傳統(tǒng)型的波動率預測模型，目前較為流行且具有代表性的模型包括ARCH類模型和SV類模型;另一類是以神經(jīng)網(wǎng)絡(ANN)、灰色理論(GM)、支持向量機(SVM)等為基礎的創(chuàng)新型預測模型。國外學者運用GARCH和SV模型進行預測，其預測效果好于國內(nèi)的同類預測。Campbll,Hetschel,Engle,Ng,Pagan,Schwert等證實GARCH能夠提供較理想的數(shù)據(jù)模擬與預測效果。Jun、Yu利用基本SV模型對新西蘭股市進行了預測分析,發(fā)現(xiàn)基本SV模型具有很好的預測能力。G..B.Durham利用SV-mix模型對標準普爾500指數(shù)做了預測，認為預測效果較好。國內(nèi)學者如魏巍賢、張永東、錢浩韻、張世英等分別運用GARCH和SV對我國股市進行預測，效果不是十分理想。而利用創(chuàng)新型預測模型(ANN，GM，SVM)對股市進行預測，國內(nèi)外文獻顯示預測效果都比較理想。Hill等將神經(jīng)網(wǎng)絡與六種傳統(tǒng)的統(tǒng)計預測方法作了對比，他們用了111個時間序列進行預測，結論是：采用短期(月度、季度)數(shù)據(jù)預測時，神經(jīng)網(wǎng)絡明顯優(yōu)于傳統(tǒng)的統(tǒng)計模型;采用長期(年度)數(shù)據(jù)時，預測結果相差不多。李敏強、吳微、胡靜等許多學者實證研究結果表明：人工神經(jīng)網(wǎng)絡應用于我國股票市場的預測是可行和有效的。陳海明、段進東、施久玉、胡程鵬、覃思乾應用灰色GM(1，1)模型對股票價格進行短期預測，效果很好。W.Huang等用支持向量機預測股票市場運動方向。P.Pai等將ARIMA模型和SMV模型結合起來，提出一種組合模型來進行股票價格預測,得出該組合模型優(yōu)于單個ARIMA或SVM的結論。國內(nèi)的楊一文、楊朝軍利用SMV對上海證券綜合指數(shù)序列趨勢做較準確的多步預測。李立輝等將SMV應用到我國上證180指數(shù)預測中。周萬隆、姚艷、趙金晶等實驗結果表明，SVM預測精度很高。

　　總之，比較國內(nèi)外學者的研究狀況，至少可以得出以下兩個結論：一是國外學者采用美國或其他西方國家股市的相關數(shù)據(jù)帶入GARCH類或SV類模型進行數(shù)據(jù)擬合或預測，其效果普遍要好于國內(nèi)學者采用國內(nèi)股市相關數(shù)據(jù)進行的同類研究;二是我國學者運用創(chuàng)新型預測模型進行股市方面預測的文獻多于傳統(tǒng)的統(tǒng)計模型，而且從預測效果上看，創(chuàng)新型預測模型的預測精確度要高于傳統(tǒng)型統(tǒng)計類預測模型。

　　二、基于統(tǒng)計原理的預測模型與創(chuàng)新型預測模型的比較分析

　　1.建模的理論基礎不同。傳統(tǒng)的基于統(tǒng)計原理的股票收益波動率預測模型是建立在統(tǒng)計分析理論基礎之上的。而處理基于概率統(tǒng)計的隨機過程，是要求樣本量越大越好，原始數(shù)據(jù)越完整、越明確越好。但事實上，在實際中，即使有了大樣本量，也不一定找到規(guī)律，即使有了統(tǒng)計規(guī)律也不一定是典型的。創(chuàng)新型預測模型則是完全脫離統(tǒng)計理論的基礎，以一種創(chuàng)新型的建模思維，來建立預測模型。例如灰色模型是建立在灰色理論基礎之上的，依據(jù)廣義能量變化規(guī)律，將歷史資料做累加處理，使其呈現(xiàn)出指數(shù)變化規(guī)律，然后建模。而人工神經(jīng)網(wǎng)絡模型是建立在神經(jīng)網(wǎng)絡理論基礎之上的，它通過模仿人腦神經(jīng)系統(tǒng)的結構及信息處理和檢索等功能，建立神經(jīng)網(wǎng)絡模型進行預測。支持向量機則依據(jù)的是統(tǒng)計學習的機器學習理論，通過凸優(yōu)化，使得局部解一定是最優(yōu)解，克服了神經(jīng)網(wǎng)絡收斂速度慢和局部極小點等缺陷。

　　2.對數(shù)據(jù)的要求與處理不同。基于統(tǒng)計原理的預測模型要求樣本量大并有很好的分布規(guī)律，無論是GARCH類還是SV類模型，只有在樣本量足夠大，且分布較好的情況下，其預測效果才會比較理想。例如，運用GARCH模型對美國股指進行預測要比對國內(nèi)股指進行預測效果理想，原因是我國股市發(fā)展的時間相對較短，期間由于宏觀調(diào)控和股改等原因，造成股指大起大落，導致數(shù)據(jù)分布規(guī)律性不強，因此我國運用這類模型存在一定局限。而創(chuàng)新型預測模型對樣本量的要求和分布程度的要求均較低。例如灰色模型，只要擁有7、8個數(shù)據(jù)就可對下一個數(shù)據(jù)進行預測。在處理技術上，灰色模型要對原始數(shù)據(jù)進行累加處理，使表面雜亂無章的數(shù)據(jù)呈現(xiàn)出明顯的指數(shù)規(guī)律，建模計算之后，再進行累減還原。神經(jīng)網(wǎng)絡模型則采用數(shù)據(jù)驅(qū)動，黑箱建模，無需先驗信息，能夠在信息資源不完整、不準確等復雜的數(shù)據(jù)環(huán)境下，通過自身結構的調(diào)整，提取數(shù)據(jù)特征，并對未來進行有效預測。

　　3.模型結構的穩(wěn)定性與適應性不同?；诮y(tǒng)計原理的預測模型一經(jīng)建立，其模型結構具有較強的穩(wěn)定性，模型變量之間存在一個穩(wěn)定的內(nèi)在關系。無論是GARCH模型還是SV模型，模型結構都相對穩(wěn)定、簡單，而且都是單因素模型。但在實際中，預測環(huán)境是復雜多變的，一旦系統(tǒng)變量之間出現(xiàn)新的關系，該類模型則無法調(diào)整和適應。創(chuàng)新型預測模型則是一種或者多因素、或者可以變結構的模型，其計算相對復雜，但其適應能力要好于基于統(tǒng)計原理的預測模型。例如灰色模型，除了有基本的GM(1，1)模型，對于高階系統(tǒng)，灰色理論通過GM(1，n)模型群解決，并且可以綜合考慮多種因素的影響。而神經(jīng)網(wǎng)絡和支持向量機都是變結構模型，通過網(wǎng)絡對新樣本的學習，調(diào)整其內(nèi)部結構，從而適應系統(tǒng)變量的變化。對于非線性高維、高階問題神經(jīng)網(wǎng)絡和支持向量機會發(fā)揮得更好。

　　4.預測精準度與外推性強弱不同。相比較而言，基于統(tǒng)計原理的預測模型誤差較大，外推性差。因為基于統(tǒng)計原理的預測模型對數(shù)據(jù)樣本沒有再處理或?qū)W習的過程，因此對樣本的擬合性較低，由此導致其外推性也較差。而創(chuàng)新型預測模型相對而言精確度較高，外推性強。原因是創(chuàng)新型預測模型對數(shù)據(jù)具有再處理或?qū)W習的過程。灰色模型是對數(shù)據(jù)進行了累加處理;而神經(jīng)網(wǎng)絡模型和支持向量機是對數(shù)據(jù)進行了學習，然后進行推理、優(yōu)化。因此，創(chuàng)新型預測模型的擬合度和外推能力都要高于統(tǒng)計類模型。

　　5.預測難度與預測時間長度不同?；诮y(tǒng)計原理的預測模型技術比較成熟，預測過程相對簡單。無論是GARCH類還是SV類預測模型，其建立模型依據(jù)的理論基礎堅實，模型構造相對簡單，計算難度相對較低。由于這類模型采用的數(shù)據(jù)是較長時間的歷史數(shù)據(jù)，因此可以對未來進行較長時間的預測。而創(chuàng)新型預測模型預測技術還有改進的余地，且預測難度較大。如利用神經(jīng)網(wǎng)絡進行股票收益波動率預測，其過程相對較難，因為神經(jīng)網(wǎng)絡需要設定隱層，權重;其隱層和權重設置合理與否，直接導致預測結果的合理與準確。用支持向量機方法進行預測，涉及到核函數(shù)的確定。核函數(shù)的確定難度較大。由于創(chuàng)新型預測模型對數(shù)據(jù)要求度不高，一般是小樣本量預測，因此，適用于對預測對象進行短期預測。

　　三、我國股票收益波動率預測模型發(fā)展方向

　　1.創(chuàng)新型的智能化預測模型將成為我國股票收益率預測的一個發(fā)展方向。首先，創(chuàng)新型預測模型能夠克服我國股市數(shù)據(jù)不完整、波動大、分布不合理等缺點，采用小樣本數(shù)據(jù)對股市進行短期預測，預測的精準度相對高于傳統(tǒng)的統(tǒng)計類預測模型。其次，創(chuàng)新類模型中的智能化模型能夠模仿或部分模仿人工智能，對影響股市的多種因素進行復雜的非線性變結構處理，既能克服單因素模型包含信息不充分的缺點，也能克服固定結構模型無法處理突發(fā)性事件的缺點，能盡量充分地反映影響股市的多種信息和復雜變化，從而增加預測的準確度。

　　2.組合預測模型將成為我國股票收益率預測模型發(fā)展的另一個發(fā)展方向。組合預測是將不同預測模型的預測結果依據(jù)一定的原則賦予不同的權重，然后進行加權平均，得出最終的預測結果。這種預測方法可以克服單一預測模型信息量不充分的缺點，充分發(fā)揮不同預測模型的優(yōu)勢，最大限度獲取不同角度的信息量，提高股票收益率預測水平。

　　3.包含各種非量化信息的預測模型將成為我國股票收益率預測模型的一個重要發(fā)展方向。目前股票收益率預測模型都屬于數(shù)量化預測模型,非量化的因素無法融入到模型之中,這就導致預測中丟失了大量的非量化信息,預測的精準度受到很大影響。如何能將各種影響股市的非定量化信息進行技術處理后轉(zhuǎn)變成量化信息,使之能夠被加入到股票收益率預測的模型當中,從而充分反映政策因素、心理因素、突發(fā)事件等非量化因素對股票收益率的影響,提高預測的精確度,是股票收益率預測模型的一個重要發(fā)展方向。