中国股票市场长期记忆特征的实证研究
中国IPO长期表现的实证研究
华中科技大学硕士学位论文摘要ｉ与口Ｏ短期内的定价偏低现象一样，ｉＰｏ的长期表现欠佳现象也是普遍存在于各雷资本市场的一种异常现象，这两种现象的并存被称之为“新股之谜”。
国外学术界试图从信息不对称理论和行为预期理论出发来寻求关于这一现象的合理解释。
本文对国外相关的理论解释进行了分析和综合，并在此基础上提出了ｉＰｏ市场信息效率性的概念。
ＩＰＯ市场信息效率性是指与新股发行相关信息的产生、确证以及传播使用机制在指导资源进行有效配置和投资者进行理性投资等方面的有效性。
为了检验我国ｉＰｏ市场的信息效率性，本文以１９９７年７月至１９９８年１２月发行上市的１４６家Ａ股ｉＰｏ为样本，对其短期（上市首日）和长期（上市后３年）的价格表现进行了统计研究。
结果发现，ｉＰｏ样本三年期累积超额收益率高达２５．１９％，这表明，我国ｉＰＯ市场中的投资者对于有关信息存在普遍的、长期的过度反应。
通过对具体模型的回归分析，我们发现，ｉＰｏ长期表现与公司发行前两年的平均资产总额、主营业务增长率、每股收益、管理层的掇利预测负向偏差负相关，这表明ｊ／我国Ｄｏ市场中的信息存在着“过度包装”，不论是有关发行公司的历史会计信息或是管理层披露的盈利预测信息，都不能对坤Ｏ市场中投资者的投资决策做出有效的引导，甚至依此信息所作的投资决策可能会使投资者在长期内遭受损失。
因此，我们认为口Ｏ市场中的信息产生和确证机制存在着无效性。
此外，由于我国股票市场是新兴市场，投资者的预期和行为可能存在非理性。
“狂热投资者”模型在我国口０市场中得到了支持。
这表明，我国ｉＰｏ市场中的投资者，尤其是缺乏获取信息和处理信息能力的中小投资者，更容易对ｉＰＯ的前景产生过度乐观的预期。
这说明，由于投资者的非理性，理Ｏ市场中的信息使用机制也存在着无效性。
发行人利用机会窗口、承销商声誉模型、原始股东留存股权比例模型没有得到实证的支持。
在理论和实证分析的基础上，笔者对于如何提高我国ｉＰｏ市场信息效率性进行了初步的探讨。
中国股市长记忆性的实证分析
分 析计 算 Ｈ 指 数 的一般形 式 ：
（ Ｓ） Ｒ／ 一 Ｃ ・ Ｈ （） １
其 中 ， Ｓ为 重 标 极 差 ， 为 时 间 增 量 区 间 长 Ｒ／ 度， Ｃ为 常 数 ，Ｈ 是 一 种 新 的 统 计 量 ， 们 称 之 为 我 Ｈｕｓ 指 数 ， 称 Ｈ 指数 。 ｒｔ 简
市场 并不存 在 显著 的长记 忆性 ， 新兴 市场 普遍存 在 而
长 记忆 性 。这也 从 另一 个 侧 面 实 证 了新 兴 市 场 的非 有效性。 近年来 ， 内研 究人 员也 围绕 中国股票 市场 的长 国
通过 （ ） 我们 只要计 算 出重标极 差 序列及 其对 １式
应 的时 间增 量 序列 ， 然后运 用 回归分 析方 法就 可 以求 出 Ｈ 指数 ， 具体 计算 步骤 ［ 为 ： ２ １ 将 长 度 为 Ｎ 的 时 间序 列 ｛ ） 分 成 长 度 为 ） Ｒ 等
性 根 得 科 做 了进 一 步判 断 ， 据 分 段 分 析 的 结 果 ， 出 中 国股 市 渐 进 趋 于有 效 的 结论 。 Ｔ
关 键 词 ： ｓ分 析 ； 指 数 ； ＲＦ ＭＡ模 型 ； Ｒ／ Ｈ Ａ Ｉ 长记 忆 文献标志码 ： Ａ
０
技Hale Waihona Puke 图分 类 号 ：Ｆ ３． １ 中 ８ Ｏ ９ ｎ
ｎ ≥ ３ 的 Ａ （ Ｎ／ （ ） 取 ｎ的整 数部 分） 连续 的子 序列 ， 个
记 忆性 问题 进行 了一 些 相 关 的研 究 。史 永 东 采 用 经
典 Ｒ Ｓ分析 证实 沪深 两市 股价 指数 的周 收益 率 与 月 ／ 收益 率序列 存在 持久 性特 征 和分形 结构 。然 而 ， 陈梦
第 ８卷 第 １ 期 １
中国股票市场长期记忆性探究
摘 要： 文章利用 Ｒ／ Ｓ分析 方法实证研 究 了中国股 票市场 ， 结果表 明中国股票 市场具有长期记忆性 ， 并不是 完全随机 游走过程 ， 这一点 同 其他 国家资本 市场相 同。 同时也发 现以 下问题 ： 首先 ， ｓ分析 方 法在 Ｒ／ 实际应 用中， 当样本数据 的时 间跨度不 同时 ， Ｈ值有明显的不同 ， 不适合 作定量分析。其次 ， 虽然各 国资本市场都表现 出长期 记忆性 ， 由 于市 但 场 间差 异 很 大 ， 成 因必 然 不 同。 文 章 就 以 上 问题 进 行 了研 究 。 其 关 键 词 ： 期 记 忆 性 Ｒ／ 析 方 法 中 国 股 票 市 场 信 息传 导机 长 Ｓ分
列是 一 个 随 机 游 动 。
中图分类号 ： ３ ． １ ０ ９ 文献标识 码 ： Ａ 文 章 编 号 ：０４—４ １ ｛０ ８ ０ —０ ０～０ １０ ９ ４ ２０ ）３ ７ ２
一
、
概 述
股票价格的变化规律 是金融 学的 一个 中心问题 ， 一直是 中外 学者 们研究和讨论的重点。巴契里耶（ ｏ ｉ ｂｃｅｉ ） ９０年写的博 士沦文 Ｌ ｕｓ ａｈ ｌｒ１０ ｅ 《 投机理论》 对股 价的变 化规 律做 了最 早 的探索 。１６ ， ９ ５年 ， 马 （ ｕ 法 Ｅ． ｇｎ ａ ） ｅｅＦ ｍｅ首先提出有效市场 理论 ， 为股票 市场 是有效 率的 ， 息立 认 信 即、 完全地反映在价格 中 ， 价格 的变化 是一个 随机 游走过 程。然 而， 有 效市场理论不能很好地 解释股票市场出现 的一些现象 ， “ 如 尖峰厚 尾” 。 这些现象表明信息并没有立即 、 完全反映在 价格中 ， 而是 对价格变 化有 长期影响 ， 即长期记忆 性。解释 这些现 象 ， 以更好 地理解 市场 ， 可 提高 市场的效 率和抗 风险 的能 力 。中国股票 市场 是新兴 市场 ， 场效 率较 市 低， 抗风险能力差 ， 研究中国股票市场的长期记 性 非常重要 。 Ｐ ｔｒ（ ９ １ 的研究使得 分形 和混沌 理论 以及 Ｒ／ ｅｅｓ１９ ） Ｓ分析 方法 在资 本市场实证研究中的应用 日益盛行 ， 近年来 ， 中国有不少 学者对 中国股 票市场的非线性特征进行 了研究 ， 如樊 智 （０ ２ 、 方文 （０ ３ 、 ２０ ）李 ２ ０ ） 陈锐 剐、 杨国孝（ ０３ 等 ， ２０ ） 他们的研 究都 发现中 国股票 市场是一个 具有分形 和混沌特征的非线性市场 ， 其收益率时间序列 是一个长期 记忆过 程 ， 并 不服从有效市场假说 Ｅ ＭＨ所依 赖的随机游走 过程。可见 ， 中国股 票市 场是一个具有长期记忆 过程 的非线 性市场 ， 而不是 完全随 机游走 过程 ，
基于R／S分析的中国股市分形结构的实证研究
北 京科 技大学学 报（ 社会科 学版 ）
Ｊｕ ａｏ ｎｖｒ ｔｏ ｉ ｃ ｎ ｅｈ ｏｏｙ ｅｉｇ ｏ ｒ ｌ ｆ ｉｅｓｙ ｆ ｃｅ ｅａｄＴ ｃ ｎｌｇ ｉｎ ｎ Ｕ ｉ Ｓ ｎ Ｂ ｊ
（ ｏ ｉｌ ｃｅ ｃ ｓＥｄｔ ｎ） Ｓ ｃａ ｉｎ ｅ ｉｏ Ｓ ｉ
通 过 对 Ｒ Ｓ双 对 数 曲线 以及 Ｖ统 计 量 的 的 拟 合 ， 究 结果 表 明 中 国股 票 市场 的 收 益序 列 均 不服 从 正 态分 布 ， 且 呈 现 ／ 研 并
出状 态 的 持 续 性 和长 期记 忆性 ， 有 明 显 的分 形 特 征 。这 种 特 征 为进 一 步认 识 我 国股 票 市 场 的 收 益 的持 续 性 、 环 周 期 具 循
重标极差被定义为极差与标准差的商 ：
＝
（ ｓ Ｒ／Ｊ ）
（） １
其 中 ｓ 为序列的标准差 ，值 ， ： 即 分 形理论 是 当今 世界 十分 风靡 和 活跃 的新 理论 、 Ｈ ｒ 发现 ， 于一般 的时 间序列 有 ： ｕｓ ｔ 对 （ ． Ｒ／ｓ ＝ｃ ）
Ｍ ａ ． ０ｏ９ ｒ２
Ｖｏ． ５ Ｎｏ １ １２ ．
基 于 ＲＳ ／ 分析 的中国股市分形结构 的 实证研究
杨 成 义 王 大 鹏 刘 澄
（ 京科 技大 学 ， 京 １０ ８ ） 北 北 ００ ３
［ 要 ］ 文 章 以 中 国股 市 的 日收 益 率 为研 究对 象 ，运 用 Ｒ Ｓ研 究方 法 对 中 国股 市 的分 形 结 构 进 行 实 证分 析研 究。 摘 ／
性发生 ；当 ＲＳ ／ 统计量 比 ｎ 的平方根增长得慢时 ， 散
［ 收稿时 间￣０ ８ ０ — ０ ２０ － ２ ２
基于长短期记忆神经网络的股票时间序列预测
基于长短期记忆神经网络的股票时间序列预测基于长短期记忆神经网络的股票时间序列预测【前言】随着互联网的普及与发展，股票市场成为了各种投资者关注的焦点。
无论是个人投资者还是机构投资者，都希望通过深入研究股票市场的走势，获取最大的利益。
而准确预测股票的时间序列走势一直是金融领域的难题之一。
长短期记忆神经网络（Long Short-Term Memory, LSTM）作为一种特殊的循环神经网络，具备记忆性能强、可以处理长期依赖关系的能力，正逐渐被应用于股票时间序列预测中。
本文将使用LSTM算法进行股票时间序列预测，探讨其在股票市场中的应用和效果。
【第一章：股票市场的难题】1.1 股票市场的复杂性股票市场受到多种因素的影响，包括宏观经济因素、公司内部因素、市场情绪等。
这些因素使得股票市场呈现出高度复杂性，难以用传统的统计方法进行准确的预测。
1.2 时间序列预测的难题股票市场中的价格走势可以看作是一个时间序列，预测时间序列的难点在于时间维度之间的关联性和非线性特征。
传统的时间序列预测方法往往难以考虑到长期的依赖关系和非线性特征，导致预测结果的准确性不高。
【第二章：长短期记忆神经网络】2.1 LSTM的基本原理LSTM是一种特殊的循环神经网络，具备记忆性能强、可以处理长期依赖关系的能力。
相比于传统的循环神经网络，LSTM引入了三个门控单元（输入门、遗忘门、输出门），可以有效地控制信息的流动和记忆。
2.2 LSTM在时间序列预测中的应用LSTM在时间序列预测中的应用越来越广泛。
其通过学习历史数据的模式和规律，能够捕捉到时间序列中的长期依赖关系，从而提高预测的准确性。
在股票市场中，LSTM可以根据历史数据预测未来的股票价格走势，为投资者提供参考和决策依据。
【第三章：股票时间序列预测实验】3.1 数据收集与预处理为了进行股票时间序列预测实验，我们需要收集相应的股票数据，并进行预处理。
预处理工作包括缺失值处理、特征提取和归一化等。
市场有效理论及我国股票市场有效性的实证检验
市场有效理论及我国股票市场有效性的实证检验
EF FICI ENT MARKET THEORY AND AN EMPIRICAL TEST ON THE EF F ECT O F THE STOCK MARKET IN CHINA
20t20平均日超额回报率分别计为ar20某天的累积超额回报率利用统计软件可以得到表4样本期间ar与car时间平均日超额回报率arar平均累积日超额回报率carcar200101264201000426010126240100042619010053970100325301018021010036680100557401004378010124470100069917010033540100115801015801010018571601000282010016440101608301003501010003600100265601015723010061571401003458010013370101918101007494010004910100586401018690010125780100214101001434010165490101114401000012010067630101653701017907100100195101005812010145860101272501006307010035160102089301016241010030710100157201023964010178130100250001000963010214640101685001002053010031880102351701020038010016810102421901025198010041810101572601002399010409240100178201002193010078230104311701009602010033910100971801039726010193200101039101007612010293350101170801012315010096440101702001021352时间平均日超额回报率arar平均累积日超额回报率carcar01002883010115870101413701009765010039150101135301018052010211180101456601005888010034860101523001003525010065350100701101021765010013920100128001005619010230450100155801002927010071770102011801004230010019760101140701018142010
中国股市行业指数及个股长程记忆研究
论 造 成 了 很 大 冲 击 。 我 国 的许 多 学 者 对 我 国股 市 宏 观 层 面
进 行 了 长 程 记忆 特征 研究 ， 得 出类 似 结 论 。 也 本 文 利 用 分 形 市 场 理 论 和 时 间 序 列 理 论 ， 中观 层 面 和 从 微 观 层 面 人 手 ， Ｒ Ｓ方 法研 究 中 国股 市 中 的 金 融 指 数 、 以 ／ 农 业 指 数 、 零 指 数 、 平 高 科 和 大 江 股 份 的 对 数 收 益 率 时 间 批 隆 序 列 作 实证 研 究 ， 析 它 们 的 Ｈｕ ｓ 指 数 、 期性 ， 对 投 资 分 ｒｔ 周 并
时 机 的 选择 进行 了 预 测 。
近 ， 可通 过最 ｔ － 乘 法 线性 回 归 估 计 出 斜 率 和 常 数 。 通 过 也 ｂ－
ｌ（ Ｓ 关 于 Ｉ ｎＲ／ ） ｎ ｎ的 图 线 ， 观 察 出 Ｈｕｓ 指 数 在 何 处 发 生 可 ｒｔ
突变 ， 进 一 步 估 计 出 周 期 长 度 。 并
范 志 远
（ 南交通 工程 职业 技术 学院 ，湖 南 衡 阳 湖 ４０ ２ ） １ １ ８
摘 要 ：股 票 市 场 收 益 记 忆 特征 对 于 非 线 性 结 构 的 确 定 以及 市 场 有 效 性 的研 究 具 有 重 要 意 义 。 该 文 选 取 沪 深 股 市 的 三 只 行 业 指 数 和 隆 平 高 科 及 大 江 股 份 的 日、 周 收 益 率 时 间 序 列 ，通 过 Ｒ／ 分 析 方 法 分 别 计 算 出 其 相 应 ｓ Ｈｕ ｓ 数 。 结 果表 明 收 益 率 时 间序 列具 有 长程 记 忆特 征 ，且 存 在 一 个 大 周期 和 一 个 小 周期 ，也 验 证 了收 益 率 时 ｒ ｔ指
沪深股票市场长程记忆相关性研究
值 ， ２ 世纪 ９ 从 ０ ０年代开始 国内外学者对其进行 了 大量 的实证 研究 ． 如美 国那 样 的 比较 成 熟 和开 放 的
证券市场不存在显著 的长期记忆特征 ， 而一些新兴 的证券市场则 明显 存在这种特征 ． 例如 ， ３应用 ］
修正的 Ｒ／ Ｓ分析方法研究 了美国股价指数 的 日收 益分布 ， 未发现长期记忆特征 ， ａｔ ４采用最大似 Ｃｒ ［ ｏＪ 然估计方法 、 ｈｕｇ和 Ｌ ｉＪ Ｃ ｅｎ ａ５ 【 运用 Ｒ／ Ｓ分析和谱 回 归方法研究 ， 也得到了类似的结论 ． 这一结果从一个
随 着行 为金融 学 的发 展 和｝沌 理 论在 经济 学及 昆
股票收益的长期记忆特征 ， 对于研究市场的分形结
构和 验证 市场 的有 效性具 有 重要 意义 ． 鉴于 股票 市场 长期 记忆 特征 问题 的重 要理 论价
金融学上的广泛应 用 ， 人们对 以有效市场假说 为代
表的线性范式等假设提 出置疑 ， 认为正态分布模 型 本身存在重大缺陷Ｌ ． ｎｄｌ ｏｔ 发现 ， １ Ｍａ ｅ ｒ ２ Ｊ ｂ ｔ Ｊ 资本市 场
ｎ ｓ ｔｃ ｎ ｅ ｄ ｓｏ ｋ ｓｍｐｅ ｒ ｅ ｅｌｄｂ ｏ —ｉｅ ｒＲ ／ ａｙ ｉ． ａａｓｏ ｋ ｉｄ ｘ ａ ｔ ａ ｌ ａ ｅｒｖ ａｅ ｙｎ ｎ— ｎ ａ Ｓ ａ ｌｓｓ ｎ ｃ ｓ ｌ ｎ
基于SEMIFAR模型的我国股市波动率的长记忆性研究
在金 融计 量 领 域 ， 个 广 为 人 知 的 事 实 ， 有 在 不 同类 型的金融 市 场 中 ， 对其 统计 研 究 的金融 时 间序列存 在一 些典 型 事 实特 征 … （ ｅ ｏ ｔｅ ａｓｔ ｆｓ ｌ ｙｄ ｅ ｐｒ ａ ｐｏｅｔｓ 。在 现 实 世 界 中 ， 的 股 票 ｍ ｉｃｌ ｒｐｒｅ） ｉ ｉ 标 市 场特征 的金 融 时间序 列 ， 收 益率 、 动率 等 ， 如 波
献研 究表 明 ， 熟 的股票 市场 不存 在 明显 的长记 成 忆 特征 。那 么 中国作 为新兴 市场 国家 ， 股 票市 其 场 的波 动率是 否具 有长 记忆 特征 呢？ 为此 ， 文 以 深 圳 成 分 指 数 行 情 数 据 为 样 本 本， 检验 我 国股票 市场 波动率 的长 记忆 特征 。
行研 究并建 议 使 用 Ａ ＦＭＡ模 型来 预 测 日波 动 ＲＩ 率 。然而 ， Ｒ Ｉ Ａ模 型 主要 适用 于 平稳 过 程 的 Ａ ＦＭ 长记 忆性研 究 ， 于 非平 稳 过 程 ， ｅａ 对 Ｂ ｒｎ和 Ｙ ａ— ｕ ｎ ｈ ａＦ ｎ （ ０ ２ 介 绍 了 一 种 新 的模 型 Ｓ ＭＩ ｕ ｅ ｇ ２ ０ ） Ｅ — Ｆ Ｒ来刻 画长 记忆性 。在 该文 献公 开发表 之 前 ， Ａ
一
篇 易于 理解 的关 于 长记 忆 过程 计 量 经 济 分 析
和经 济金融 应 用 的调查 。Ｌ ｂ ｔ、ａｉ （ ９ ８ Ｊ ｏ ａ Ｓ ｖ １９ ） ｏ ｎ
和 Ｒ ｙＴａ（ｏ０ 等 国外 著名 学 者也 通 过 实 ａ 、ｓｙ ２ｏ ） 证研 究证 实 了金融波 动率 序列存 在长 记忆 性 。 在波 动率序 列 的长记忆 建 模方 面 ， 多学 者 许
沪深300指数的分形特征及长记忆性研究-2002-2011
沪深300指数的分形特征及长记忆性研究:2002-2011内容摘要：沪深300指数作为反映我国A股市场整体走势的指数，它的推出具有重大的现实意义。
它不仅能反映我国证券市场股票价格变动的概貌和运行状况，更是能够作为投资业绩的评价标准，为指数化投资和指数衍生产品的创新提供基础条件。
因此，对沪深300指数的相关特征的研究就显得尤为必要与紧迫。
本文即是在对沪深300指数的分形特征展开研究的基础上对该指数的长记忆性及其周期进行了初试的探索，得出沪深300指数的对数收益率序列具有约101天的系统对初始条件的平均记忆长度。
关键词：沪深300指数有效市场正态分布分形长记忆引言近年来，随着人们对金融市场的深入研究及计算技术的飞速发展，原有的以有效市场假说（EMH）为基石的线性的范式已不能准确地揭示金融市场的复杂性，而以分形和混沌为代表的非线性系统的分析方法则逐渐深入金融市场，成为分析其特性的有力工具。
非线性系统，特别是分形这种新范式理论描述了一种更接近于市场真实特性的市场结构，即收益序列具有自相似性、长期记忆性、非线性、方差无限或不存在等特性。
对金融市场的分形特征研究虽然已有许多，但研究对象几乎都是分别的沪、深两股市数据，还没有就反映沪深两个市场整体走势的沪深300指数进行过系统的分形特征的研究。
沪深300指数样本选自沪深两个证券市场，覆盖了大部分流通市值。
其中的成份股为市场中市场代表性好、流动性高、交易活跃的主流投资股票，能够反映市场主流投资的收益情况。
所以，通过对该指数的分形研究，能够更加准确地揭示沪深300指数的非线性特征，从而为指数化投资和指数衍生产品的创新提供参考和依据。
本文采用R/S分析法对2002-2011年沪深300指数的分形特征进行了实证检验，通过Hurst指数更好地揭示了我国股票市场的非线性本质。
理论与方法分形R/S分析即所谓的重标极差分析（Rescaled Range Analysis），首先由H.E.Hurst（1951）提出。
中国股票市场CAPM的实证研究
中国股票市场CAPM的实证研究中国股票市场CAPM的实证研究摘要：本文旨在通过对中国股票市场CAPM（Capital Asset Pricing Model）的实证研究，探讨该模型在中国市场的适用性以及存在的问题。
通过对中国股票市场数据的分析和对CAPM模型的回归分析，本文得出结论，中国股票市场中，CAPM模型的适用性存在一定局限性，因为其核心假设对于中国市场并不完全成立。
另外，本文还探讨了其他可能影响CAPM模型准确性的因素。
一、引言CAPM是现代金融理论中最具代表性的模型之一，广泛应用于投资组合管理、资本成本计算和风险评估等领域。
然而，CAPM 模型的核心假设对于不同国家和市场而言存在差异，因为金融市场的特点和制度环境因国而异。
本文将以中国股票市场为例，对CAPM模型的适用性进行实证研究。
二、CAPM模型的基本原理CAPM模型是根据风险和回报之间的关系建立的，它认为投资组合的回报应该与市场回报之间的线性关系，通过贝塔（Beta）的测量来反映个体投资产品的特异性风险。
CAPM模型的基本公式如下：E(Ri) = Rf + βi[E(Rm) - Rf]其中，E(Ri)代表个体投资产品的预期回报率，Rf代表无风险收益率，βi代表个体投资产品的贝塔系数，E(Rm)代表市场组合的预期回报率。
三、中国股票市场的特点中国股票市场存在一些特殊的制度和环境因素，这些因素可能导致CAPM模型的适用性受到限制。
首先，中国股票市场的监管环境相对较弱，信息披露不完善，导致市场信息不对称和投资者行为的非理性。
其次，中国的金融市场经历了快速发展的过程，投资者结构多样，市场波动较大。
最后，中国的股票市场存在大量的非理性投资行为，比如噪声交易和行业投机，这些因素可能干扰CAPM模型对于个体资产回报的解释。
四、中国股票市场CAPM的实证研究为了研究中国股票市场CAPM模型的适用性，本文选择了近几年中国股票市场的数据，对多个股票进行回归分析。
中国认股权证波动过程长期记忆性的实证研究
ｔｒｅｅ ｔＢ ｏ ｔｅ Ｔ １ ｎ ｏ ｄ ｃｅ ｏｈ ａ ｐ ｒｍｅｒ ｎ ｓｍｉｐ ｒｍｅｒ ｎ ｌｓｓ ｏ ｈ ｏ ｇ ａｇ ｔｄ ａ ａ ｓｅ ｌＪ Ｂ ａ ｄ ｃ ｎ ｕ ｔｄ ｂ ｔ ａａ ｔｉ ａ ｄ ｅ —ａａ ｔｉ ａ ａｙ ｉ ｆｔｅ ｌｎ ｃ ｃ
Ａｎ Ｅｍ ｐｉｉ ａ ｓ ａ ｃ ｎ ｎｇ Ｍ ｅ ｏ ｙ ｏ ｌｔｌ ｙ Ｐｒ ｃ ｓ ｆ Ｃｈ ｎ ｓ ａ ｒ ｎｔ ｒ ｃ ｌＲｅ ｅ ｒ ｈ ｏ Ｌｏ ｍ ｒ ｆＶｏ ａ ｉｉ ｏ ｅ ｓｏ ｉ ｅ ｅ Ｗ ｒ ａ ｓ ｔ
Ｇ０ＮＧ Ｌ ｎ ｉ ａ —ｅ ｉ
一
、
引 言
近 年来 ， 对金 融市场 波 动过 程 长期 记忆 性 的研
究 一直 是热 点课 题 ， 越来 越 多 的实证 研 究结 果 表 明
随着全 球资 本市 场 的不 断 发展 ， 种 衍 生性 金 各
融产 品不 断推 陈 出新 。为 了寻 求 更 有 效 的 避 险 方 式 以及解决 国有 股流 通 问题 ， 股 权证 已经成 为 中 认 国证 券市 场 衍 生 产 品创 新 的品 种 之 一 。我 国发 展 认股 权 证 有两 个 重 要 目的 ： 先 ， 能够 解 决 当前 首 它
波动序列的长期记忆性进 行参数和半参数估计 ， 结果表 明： 其 宝钢 Ｊ Ｂ Ｔ １的收 益序 列长 期记忆性 程度 比较 小 ， 而波
动序列则存在显著的长期记忆性。 中图分类号 ： Ｆ３．１ ８０ ９ 文献标志码 ： Ａ 文 章 编 号 ： １０ ４ ７ （ ０ ８ ０ ０ ７ ０ ０９— ４ ４ ２０ ）２— ０ ８— ４
一
金 融市 场 波 了时 间序列 具有 较 长滞 后期 的相关 性 。
基于中国股票市场的长记忆模型应用研究
基于中国股票市场的长记忆模型应用研究
秦玮
【期刊名称】《重庆工商大学学报（自然科学版）》
【年(卷),期】2014(031)006
【摘要】针对金融时间序列具有长记忆性这一特征,采用广义双曲线分布族下的ARFIMA模型估计上证指数收益率的长记忆强度,并对比不同时间划分下时间序列长记忆效应的效果;实证结果显示,上证指数收益率不仅存在长记忆效应,而且时间和事件对长记忆性的效果有显著影响.
【总页数】7页(P28-34)
【作者】秦玮
【作者单位】重庆大学数学与统计学院,重庆401331
【正文语种】中文
【中图分类】G830
【相关文献】
1.中国股市长记忆性与趋势变化研究——基于SEMIFAR-FIGARCH模型 [J], 张金凤;马薇
2.股市和汇市关系研究的新思路--评曹广喜著《中国汇市和股市的关系研究--基于分形长记忆模型》 [J], 徐龙炳
3.中国股票市场的风险价格及与世界股票市场的整合程度研究——基于动态ICAPM模型 [J], 何红霞;胡日东
4.中国通胀水平及其不确定性双长记忆统计特征研究--基于ARFIMA-HYGARCH-t
模型 [J], 潘群星
5.长记忆随机波动模型的估计与波动率预测——基于中国股市高频数据的研究 [J], 王春峰;庄泓刚;房振明;卢涛
因版权原因，仅展示原文概要，查看原文内容请购买。
股票市场的实证分析
股票市场的实证分析一、股票市场的概述股票市场是指股票买卖的场所，是一种充满风险的投资方式。
股票市场的风险和收益同样存在，需要投资者进行深入的了解和分析。
股票市场对于企业和个人都有不可替代的作用。
对于企业来说，可以通过发行股票来募集资金，实现扩张和发展；对于个人来说，可以通过股票的购买获得资本增值的机会。
因此，股票市场在实体经济中具有重要的作用和影响力。
二、股票市场的特征股票市场有其独特的特征，主要包括以下几个方面：1、风险投资股票市场是一种充满风险的投资方式。
投资者在购买股票时，需承担公司经营不善、市场环境不佳等各种风险。
同时，股票市场的波动性也非常大，股票价格涨跌不定，需要投资者保持谨慎。
2、流动性强股票市场的流动性很强，投资者可以随时根据市场情况随时买卖股票。
同时，股票市场的交易也很快速，可以每天进行多次交易，方便投资者进行买卖。
3、市场透明度高股票市场的交易和信息公开程度很高，投资者可以通过公开信息了解市场变化和股票公司的基本情况。
在信息公开和透明度高的环境下，投资者可以更加理性地进行投资。
三、股票市场的实证分析为了更全面、深入地了解股票市场，需要进行实证分析。
下面将分别从市场行情、上市公司财务报表和投资者行为三个方面进行分析。
1、市场行情股票市场的行情是市场效应的表现，投资者在操作股票时会受到市场的影响，对市场行情的分析非常重要。
通过对股票行情的实证分析，我们可以了解到以下几点：（1）行情波动性股票市场的行情需要投资者密切关注，股票市场的行情会受到经济、政治等因素的影响，所有市情行情的波动性很大。
通过对股票市场历史行情的分析，可以了解到市场波动性的水平。
（2）市场趋势股票市场的行情趋势分为上涨、下跌和震荡。
通过对股票市场历史行情的分析，可以了解到市场行情的趋势，并且根据趋势来制定投资计划和策略，以便在市场上获得更多的收益。
2、上市公司财务报表上市公司的财务报表是反映公司经营情况的重要指标，是投资者了解公司情况的关键指标之一。
中国股票市场的有效性实证研究——基于Fama-French三因子模型
中国股票市场的有效性实证探究——基于Fama-French三因子模型摘要：本探究旨在基于Fama-French三因子模型对中国股票市场的有效性进行实证探究。
通过分析中国A股市场的数据，本探究发现了中国股票市场存在一定程度的有效性，特殊是在市值因子和市场收益率因子方面。
然而，本探究也发现了一些限制因素，例如无风险利率的测算和数据的局限性。
因此，将来的探究应进一步探究这些限制因素，并拓宽探究范围，以提高对中国股票市场有效性的理解。
一、引言股票市场的有效性是金融学领域的一个重要理论，指的是股票市场是否能够准时反映全部相关信息，以及能否通过得到证券市场公开信息进行投资获益。
若果市场是有效的，那么投资者将无法通过分析数据或选择投资策略来获得超额利润，因为全部信息已被准确反映在股票价格中。
然而，若果市场存在非理性行为或存在某些信息隐含性，则可能会导致市场失效。
Fama-French三因子模型是股票市场有效性探究中的重要工具，它综合思量了市场风险因素、市值因素和价值因素等多个因素，以评估股票市场的有效性。
该模型通过分析市场、市值和账面市值比等因素对股票收益率的影响，来探究股票价格是否反映了全部相关信息，以及能否通过选择有效的因子来得到超额收益。
中国股票市场作为全球最大的股票市场之一，其有效性一直备受关注。
然而，由于市场特点的奇特性和中国金融体制的不完善，中国股票市场的有效性存在一定争议。
因此，本探究旨在利用Fama-French三因子模型对中国股票市场的有效性进行实证探究，以系统地、科学地评估中国股票市场的有效性。
二、探究方法本探究从2000年到2019年间的中国A股市场数据中，选取了一组样本公司，并利用Fama-French三因子模型进行回归分析。
起首，对样本公司进行市值分组，并计算每个组的市场收益率。
然后，利用Fama-French三因子模型，对每个市值组的股票收益率进行回归分析，以评估市值因素、市场因素和账面市值比因素对股票收益率的影响。
中国股市收益率长记忆性R／S非线性分析
ｃ．
。 其 中 ０＜Ｃ＜ｍ。 另 一 种 定 义 公 式可 以用 低 频 谱 密 ）～ｃ・ ， （ Ｏ ， 中 为 频 率 。上 — ） 其
度 函数 表 示 为
述 两 种 定 义 互 为 傅 立 叶 转 换 的 形 式 。其 中 自相 似 参 数 Ｈ 又
认 为 的方 法 本 身 就 是 有 偏 的 ， 修 正 值 对 短 期 记 忆 太 过 其 敏感 ， 而 导 致 Ｈ 指 数 估 计 失 真 。 Ｅｅｄｇ 用 Ａ ＦＭＡ 从 ｌ ａ ｋ ＲＩ 、 ＦＧ Ｒ Ｈ等模 型 对 全 球 ５ ＩＡ Ｃ Ｏ个新 兴 市 场 进 行 研 究 发 现 只 有 阿
１ 长记 忆性 及 其估计
长 记忆 性 为 时 间 序 列 的 波 动 具 有 一 种 持 久 性 和 长 期 依 赖 关 系 ， 序 列 的 自相 关 系 数 随 滞 后 阶数 的增 加 而 呈 现 双 曲 是 线 形 式 衰 减 的一 种 特 性 。 对 长 记 忆 的 广 泛 定 义 多 采 用 自协 方 差 函数 ７ｊ 。 当 广－ （） ｍ时 ， 长记 忆 过 程 可 以定 义 为 ７ ｊ 一 （）
Ｈ ＝ ０． ５
长期 记 忆性 的 证 据 ， 余 国 家 都 表 现 出 了 明 显 的 长 期 记 忆 其
尽阐述 ， 并提 出 ＲＳ非线性估计方法 可以使参数估 计精度 明 ／
显提 高 。本 文就 采 用 Ｒ Ｓ非 线 性 估 计 方 法 并 佐 以 其 它 研 究 ／ 方 法 ， 点 分 析 中 国 股 市 收 益 序 列 中是 否 存 在 长 记 忆 性 ， 重 以 及 股指 和 个 股 的 时 间 序 列 特 性 。
中国股市记忆观后感
中国股市记忆观后感中国股市，作为国家经济发展的重要指标和金融市场的重要组成部分，一直是投资者和观察者关注的焦点。
回顾过去几十年的股市发展历程，可以说是经历了风风雨雨，起起落落。
每一次的大起大落都对人们的信心和投资者的利益造成了一定程度的伤害和警醒。
作为一个在中国股市中度过了许多年的股民，我对中国股市的发展有着深深的记忆，同时也有一些观后感。
首先，回顾中国股市的发展历程，我们可以看到其曲折而又辉煌的过程。
从上世纪80年代开始，中国经济改革开放的大幕拉开，股市则成为了中国经济发展的一部分。
那个时候的中国股市还非常年轻，投资者相对较少，市场也相对较为稚嫩。
但随着时代的变迁和改革的深化，中国股市迅速崛起。
1990年代的股市繁荣，让很多人看到了投资的机会和利润。
然而，随后的亚洲金融风暴让整个市场陷入了长期的低迷和调整期。
随后的十年，中国股市逐渐恢复元气，市场规模不断扩大，交易制度不断完善，投资者数量不断增加。
尤其是2007年到2008年这段时间，中国股市出现了一波巨大的繁荣，百股涨停的场景成为了当年的热点。
然而，在这轮大繁荣之后，中国股市再次迎来了持续的调整和下跌。
2015年的股灾让许多投资者遭受了巨大的损失，而对于中国股市的信心也受到了极大的打击。
这次股灾让人们对中国股市的运行机制和制度提出了更多的质疑，也让人们认识到中国股市存在的一些问题。
观察中国股市的发展，我发现其中一些问题需要我们深入思考和解决。
首先，市场的风险偏好和投资的理念还需要进一步提升和改变。
很多投资者过于追求短期利润，容易被市场情绪所左右，缺乏稳定和长期投资的理念。
其次，中国股市的监管环境也需要不断完善。
在过去的几年中，中国政府出台了一系列监管措施，力图保护投资者的利益和市场的稳定。
然而，对于市场的干预和监管却也给了投资者带来了一定程度的困惑和不确定性。
此外，中国股市还需要加强对市场信息的透明度和对交易规则的严格执行。
市场信息的不对称以及无序竞争现象，容易导致市场的不稳定和投资者的合法权益受损。
我国股票市场价格波动长期记忆性分析
存 在 相关还 能 分析这 种 相关效 应影 响 的时间跨 度 。当 Ｈ ： ０５时 ， ． 时间 序 列就 是 标 准 的 随机 游走 ， 同时 间 的值 不 不 相 关 ， 益率 呈 正态 分布 ， 收 此亦 即有 效市 场假 定下 出 现的
衡量 一个 时 间序列 数 据是 相互 独立 或 相互 相关 的 ，如果
且存 在长 期持 续与 非周 期 的循 环 。在 ２ Ｏ世 纪 ８ Ｏ年 代后 期 ，学 者们开 始运 用 ＲＳ分 析 法研 究股 票 收益 率 的约瑟 ／ 效应 ， 研究 结果 并不 完 全一 致 ， ｙ ｏａ 但 Ａ ｄ ｇｎ＆ Ｂ ｏｈ１ ８ ） ｏｔ（９ ８ 、 Ｌ （９ １、Ａ ｂｏｅ（９ ３认 为仅 有 微 弱 的 证 据 表 明股 票 ｏ１ ９ ） ｍ ｒｓ １９ ） 价 格存 在长记 忆性 ； Ｐ ｔ￣（９ ９１ ９ ，９ ２１ ９ ） Ｇ ｅ． 而 ｅｅ １ ８ ， １１ ９ ，９ ４ 、 ｏ ｔ ９
不 尽 相 同 ．本 文将 结合 研 究序 列相 关 持续 性 的 ＲＳ 法 ／方
和 Ｆ Ｇ Ｒ Ｈ模 型 来 对我 国股 票市 场 长期 记 忆 性进 行 分 ＩＡ Ｃ 析。
信 息 可以 显著 提高 预测 的效 果 。经典 资 本市 场理 论一 般 都是 建立 在线 性范 式上 ，通 常假 设 收益 率是 独立 同分布 的， 并没有 考虑 长期 记忆性 。 如果 股票 市场存 在 长期 记忆 性． 这就 意味着 股 票价 格是 可 以预 测 的 ， 历史 信息 对 以后 的价格 依 然有影 响 ，这显 然 与线 性范 式下 的有效 市场 假 定 相悖 。
区间为 １ ９ ９ １年 ７月 ４日 ２ ０ ０ ４年 １ ２月 ３ １日。 中 ＲＳ分 其 ／
中国股市风格溢价双长记忆性研究
关 键 词 ：规 模 溢价 ；价 值 溢 价 ；双 长 记 忆 ；ＡＲ Ｆ Ｉ ＭＡ—ＨＹＧ ＡＲＣ Ｈ 模 型
中 图 分 类 号 ：Ｆ ８ ３ ０ ． ９ １
文 献 标 识 码 ：Ａ 性具有重要 的理论和现 实意义 。
一
近 １ ０年 来 ，越 来 越 多 的 国 内 外 学 者 开 始 研 究
讨 的课 题 。在 理论层 面 ，如果金 融时 间序列存在 长
记忆性 ，则 建 立在 有 效 市 场 假 设 这 一基 石 上 面 的 传统 金 融 理论 （ 如 ，现代 投 资 组 合 理论 、资 产 定
价模 型 等 ） 将 受 到严 重 挑 战 ，出现 可 信 度 问 题 。
同样 ，在投资实 践层 面 ，如果金 融时间序列 存在显
金融时 间序 列 的双 长 记 忆性 特 征 ，已经 成 为 现 代 金融理论 研 究 的一 个 热 点课 题 。长 记 忆 过 程 是 指 自相关 函数 以极 慢 的速 率衰 退 的过 程 。通俗 地 说 ， 长记忆指 高阶 自相 关 。而所谓 的双 长记忆性 ，往 往 是 指 金 融 时 间序 列 的收 益 过程 和 波 动 过程 同时具
、
文 献 综 述
自２ ０世 纪 ９ ０年代 以来 ，国外 学者 已对该领域 进行 了 大 量 的 实 证 研 究 。代 表 性 的学 者 ，如 Ｌ ０ （ １ ９ ９ ９ ）、Ｌ ｉ ｍ ａ（ １ ９ ９ ４ ）等人 分别 采用 修正 Ｒ ／ Ｓ分
有 高阶 自相关 。显然 ，金融 时间序列是 否具有 长记
收 稿 日 期 ：２ ０１ ３—０ ５—２ ０
些 国家 的股 市 同样 存 在 收益 长 记忆 性 。相 比欧 美
中国创业板市场波动过程长期记忆性的实证研究——以创业板市场为例
方 法为 基础 ． 用 金 融资 产 收益 的波 动序 列来 进行 长期记 使 忆 性 的研究 研 究 结果 发 现 ． 创业 板 市场 的收 益序 列 Ｋ期
记忆性 程度 比较 小 ．而波 动序 列存 在 显著 的 长期记 忆性 ，
二 、 长 期 记 忆 性 的 估 计 方 法
值） ， 上 时间序 列二 阶矩 （ 件方 差 、 动性 ） 条 波 也存 在 长期记 对 投 资者规 避风 险 、 制风 险具有 一定 的指 导意 义 控 、 忆 特征 。 由于 波动 性不 仅 足资 产 风险 的决 定 因素 ， 还是衍 生 证券 定价 中的一 个关 键 参数 ． 因此 很 好 的理解 波 动性 具
一
引 言
国 内学 者也 对 中 国股 市 的长期 记忆 特 征进行 ｒ研 究 ， 如徐 龙炳 （９ ２ ， １ ９ ） 史永 东 （０ ０ 和 王 明 涛 （０ ２ 采 用 （ ２０ ） ２０ ） 经 典 ）／ ＲＳ分析 证 实沪 深 两 市 股价 指 数 的周 收 益率 与月收 益
当前 ． 国已经 推 出 的创 业 板对 我 国 的经 济产 生深 远 我 了 的影 响 而如何 投 资创业 板市 场是 我 国投 资者需 要深 入 板． 具有 重要 的意 义
意力 从平 稳分 布的研 究转 向序 列 长期记 忆 的研 究 中 在此
一
６ — ８
●２ １ Ｉ 一 １ 期 ｌ ０ Ｉ日 ０ １年第 害 ０暑Ｔ １葛一 《 一 Ⅱ ∽ ０ １ △
● ０ ０ ０ ４ ０ Ｏ ２ ４
■现代 管理 科学 旨ｌ 工０ ｑ １ｇ葛 ∞ｄ ｓ ａ ｌ置Ｂ
■发展 战略
■现 代管理 科学
■２ １ 年 第 １ 期 ０１ １
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
短 文中国股票市场长期记忆特征的实证研究①张晓莉1,严广乐2(1.上海对外贸易学院国际经贸学院,上海201620;2.上海理工大学管理学院,上海200093)摘要:股票市场收益的长期记忆特征对于系统非线性结构的确定以及市场有效性的研究具有重要的意义.针对上海和深圳的周和日收益序列,采用非线性估计方法提高R/S系列分析估计H参数的精确度.并用ARFI M A模型对沪深股市的收益率的长期记忆性进行了检验,根据分段检验的结果,得出一些中国证券市场有效性的结论.关键词:分形市场假说;R/S分析;ARFI M A模型;长期记忆特征中图分类号:F121.26 文献标识码:A 文章编号:1000-5781(2007)02-0190-05 Empirical analysis of long2term memory of stock market of ChinaZHANG Xiao2li1,YAN G uang2le2(1.Institut of F oreign Economy and T rade,Shanghai Institute of F oreign T rade,Shanghai201620,China;21School of Management,Shanghai University of Science and T echnology,Shanghai200093,China)Abstract:Analysis for the characteristic of long2mem ory in stock market returns has im portant sense in re2 search of market effectiveness and framew ork determination of nonlinear system.According to the index of weekly and daily returns of Shanghai and Shenzhen,the paper utilizes the non2linearity estimation meth od to enhance the precision of the R/S series analysis on estimating the H parameter,and checks the long2 mem ory in stock market returns of Shanghai and Shenzhen using ARFI M A m odel.According to the parti2 tioned examination results,s ome valid conclusions of securities market of China have been drawn.K ey w ords:fractional market hypothesis(FMH);R/S analysis;ARFI MA m odel;long2term mem ory0 引 言鉴于股票市场长期记忆特征问题对于系统非线性结构的确定以及市场有效性的研究具有重要的意义,国内外学者从20世纪90年代开始对其进行了大量的实证研究.表1显示像美国那样比较成熟和开放的证券市场不存在显著的长期记忆特征;而一些新兴的证券市场则明显存在这种特征.我国多数学者采用R/S系列方法分析了中国股市的长期记忆性,并得出中国股市收益序列具有持久特性和分形结构,从而推测当前股市是非有效的,具有记忆性和可预测性.国内外学者在研究股市收益率长期记忆特征时使用的研究方法和样本时段不同,致使结论有差异.在计算金融时间序列的H值时必须要有足够多的高频数据作保障,数据采样点越多,分析的结果越可靠.从表1可见,对于股市时间序列是否存在长期记忆效应的研究并未有统一定论,即使采用相似样本,近似的工具(多数采用R/S系列分析),也会得到不同的结论.除了样本不同外,还有一个主要原因是在通过R/S系列分析得到数据序列R(n)/S(n)和序列n后,采用线性回归方法得到Hurst参数值.从国内外对长期记忆特征的研究中可以看到纯粹为了简化计算的线性转化过程会导第22卷第2期2007年4月 系 统 工 程 学 报JOURNA L OF SY STE MS E NGI NEERI NGV ol.22N o.2Apr.2006①收稿日期:2005-05-08;修订日期:2006-03-01.基金项目:国家自然科学基金资助项目(70371070);上海市重点学科建设资助项目(T0502).致有偏差的参数估计.表1中大多数文献存在此类问题.而H 指数变动范围限定较小(H ∈(0,1)),有偏估计很容易影响结论.本文采用非线性方法估计H 指数,并用能够等划分序列的长度的值,用于计算重标极差,此时得到的重标极差的点数虽然减少了,但提高了估计的精度,并采用更长的时间序列以保证分析结果的可靠性.最后用ARFI M A 模型估计d 值,检验在沪深股市收益率序列中,是否存在长期记忆特征,进而检验我国股市是否达到弱势有效的假设.表1 国内外对时间序列长期记忆的研究主要研究者研究样本主要工具简要结论Peters [1]D J IA ,S&P500R/S 有长期记忆效应,近4年非周期循环Lo [2]D J IAMR/S 无长期记忆效应Hauser [3]六国的每日汇率M onte Carlo无分形协整现象Barkoulas 等[4]希腊股市R/S 有较小的长记忆效应Panes [5]雅典个股R/S存在长期记忆S ourai [6]埃及IFC 周收益ARFI M A ,FG ARCH存在长期记忆伍海华[7]个股收益率R/S 存在持久性林淑真[8]9种不同记忆灾变序列G M (1,1),R/S 灾变时间序列具有长期记忆效应陈梦根[9]股价指数,样本股MR/S ,ARFI M A股市及总体指数无长期记忆,只有少数个股有李亚静等[10]沪深港三市自相关系数收益率、波动性具有长期记忆性赵春艳[11]沪深指数收益R/S ,ARFI M A不存在长期记忆性1 研究模型及方法1.1 R /S 分析及修正的R /S 分析R/S 分析是Hurst 在研究水库水位时首先提出来的,其基本思路是,对于时间序列{X t },设观测次数为M ,令X t ,n =∑ti =1(xi-x N )(1)R N =m x 1≤t ≤N{X t ,N }-min 1≤t ≤N{X t ,N }(2)其中:N 是子区间的长度,X t ,N 是N 期间的累积离差,X N 是N 期间的均值,R N 是N 期间上的极差,1≤N ≤(M -1)/2,这里R N 随N 的增大而增大[12].为比较不同类型的时间序列,Hurst 用观测值的标准差去除极差R N 得到下列关系式R N /S N =(N )H(3)其中,S N 是N 期间上的标准差,a 是常数,H 是赫斯特指数[13],且0≤H ≤1.对方程式(3)两端取对数得ln (R N /S N )=H ln N +H ln(4)按式(4)做图可找出R N /S N ,其中:1≤N ≤(M -1)/2,由ln N 斜率,或将ln (R N /S N )对ln N 做OLS估计,即可得到H.但是,对非线性回归的线性近似方法是建立在期望曲面平坦性假设以及参数坐标均匀性假设的基础上的.一般对于非线性方程R N /S N =(N )H来说,并不完全满足上述假设.进而影响参数估计统计性质.参数H 本身取值范围较小,有偏估计必然影响其估计结果,从而影响相关结论.因此,对于非线性方程有必要采用非线性最小二乘法或非线性最大似然法更准确地估计参数值.1.2 ARFIMA 模型ARFI M A 模型(auto 2regressive fractally integrated m oving average m odel ,自回归分形积分移动平均模型)能以分形噪声的方式产生出持久性与反持久性,因此,其作为一种分析时间序列长期相关性的重要方法被广泛地应用于经济学和金融学领域[1].一个ARFIMA (p ,d ,q )的过程定义为<(L )(1-L )d (уt -μ)=Θ(L )u t , u t ～iid (0,σ2u )(6)其中:L 是自回归算子,<(L )=1-<1L -…<p L p ,Θ(L )=1+;1L +…+;q L q ,(1-L )d ,为分形差分算子,其表达式为(1-L )d=∑∞k =0Γ(k -d )L kΓ(-d )Γ(k +1)(7)这里,Γ(・)为gamma 函数.当<(L )和Θ(L )的根都在单位圆外,并且|d|<0.5时,随机过程уt 是平稳可逆的;而当d ≥0.5时,是非平稳的.1)当0<d <0.5时,随机过程表现出长期记忆或长期依赖性;2)当-0.5<d <0时,随机过程表现为即时记忆(反持久性),或者说长期负依赖性;3)当d =0时,表现为短期记忆,变为平稳可逆的ARMA 过程.分形差分的d 值可以采用G eweke 等[14]提出的非参数估计方法得到.该方法基于谱密度函数,ARFIMA 模型的谱密度函数当λ很小时为f (ωλ)=12π[2sin (ωλ2)]-2d ≈12π|λ|-2d (8)—191—第2期 张晓莉等:中国股票市场长期记忆特征的实证研究I (ωλ)是序列{уt }在频率为ωλ的周期图I у(ωλ)=12πN|∑nj =1X j ej ωλi|(9)其中:i 为虚数单位,ωλ=2πλ/N ,λ=1,2,…,g (T ),经过变换式(9)可以改写为I у(ωλ)=12π[r 0+2∑t -1j =1r jcos (ωλj )](10)r j 为序列的自协方差函数r j =E ((x t -x )(x t -j -x )).I у(ωλ)的对数与(2sin(ωλ2))-2d 的对数成正比.通过采用谱回归(spectrum regression )的方法ln (I у(ωλ))=c -d ln (4sin 2(ωλ/2))+ελ(11)选取适当的g (T ),可以得到d 的一致估量,理论上,ελ的方差为π2/6,g (T )通常取T0.5.2 实证分析2.1 数据的基本统计特征描述本文采用上海和深圳证券交易所的上证综合指数日、周收盘价格,使用对数收益率x t =ln (P t )-ln (P t -1),P t 为收盘价格.所有的实证采用Matlab 及Eviews 程序完成.从表2可以看出,收益的分布是有偏及尖峰的(峰度均大于3,最大的达138.7946,最小为15.7940)、胖尾和右偏(偏度均大于0)现象,这些特性通常是由非线性随机过程产生的长期记忆系统的证据.因此有必要采用非线性的方法如非线性R/S 方法进一步分析中国股市的特性.表2 沪深股市收益率的基本统计量指数样本区间样本数均值最大值最小值标准差偏度峰度Jarque 2Bera 上证综合日1991/01/19—2004/04/2132780.0008460.719150-0.179050.0284435.914941138.794602536187.00上证综合周1991/11/17—2004/04/216420.0037230.900830-0.226290.0706885.43176562.4867497511.690深证成分日1991/04/03—2004/04/2132340.0011080.195120-0.244290.0308670.11823815.793954994.106深证成分周1991/07/02—2004/04/216420.0029450.453810-0.298940.0578021.56595716.251274944.1332.2 R /S 分析结果2.2.1 上证综合指数周收益率R/S 分析为了分析平均周期长度随着抽样频率变化的稳定性,图1是上证综合指数周收益率R/S 分析图.图1中在N =64w 时R/S 对数曲线的斜率发生转变.64w 之后的斜率小于0.5,近似遵循随机游走,长期记忆在64w 后消失.可以确定N =64w 是上证综合指数的平均周期,计算得到的Hurst指数为0.62,关联尺度C =0.07.图1标绘出[E (R/S )n ]与(R/S )n 以及它们的V 统计量,明显看出上证综合指数的行为不同于随机游走.(R/S )n 在平均周期内的增长速度高于E (R/S )n ,超出平均周期则平行逼近E (R/S )n ,V统计量在64w 后渐近V e 线(V e 是E (R/S )n 的统计量),进一步验证64w 是平均周期长度.2.2.2 上证综合指数日益率R/S 分析对上证综合指数的日收益率进行分析,结果见图2,图2中N =280d 是R/S 对数曲线的斜率转折点,图2显示出280d 后的(R/S )n 平行逼近E (R/S )n ,V 统计量在280d 近乎平行于V e 线,可以确定280d (64w )是平均周期,这和周数据得到的平均周期吻合很好.图1 上证综合指数周收益R/S ,E (H )=0.72图2 上证综合指数日收益R/S ,E (H )=0.56—291—系 统 工 程 学 报 第22卷2.2.3 深圳成分指数R/S分析深圳成份指数周收益率和日收益率的R/S分析见图3、图4,日和周序列的/S线在400d和42w 后发生斜率改变,基本上遵循随机游走,相应的V 统计量也分别在400d和40w后开始走平.日和周序列的Hurst指数分别为H=0.54(H=0.66),关联尺度为C=0.03(C=0.1)可以确定深圳成份指数平均周期为400d和42w,(R/S)n在平均周期内的增长速度高于E(R/S)n,超出平均周期则平行逼近E(R/S)n,V统计量在400d(42w)后渐近V e线(V e是E(R/S)n的统计量),进一步验证400d(42w)是平均周期长度.2.3 ARFIMA模型分析结果为了考察d的估计值对谱回归样本容量选择的敏感性,本文分别对g(T)=T0.5和g(T)= T0.55进行估计.估计结果见表3.从表3的结果来看,上证和深证的日收益率d的估计值都显著大于0(在5%的显著水平下),总体上呈现出长期记忆特征.从所分的时段来看,沪市1991—1995年和1996—1999年的d值为正并且显著(在5%的显著水平下),而2000—2004年的d值为负但不显著,说明沪市在前两个时段明显存在长期记忆效应,而在最后时段日收益序列具有短期特征,这从一个侧面揭示出沪市渐近趋于有效.与沪市相比,深市的结果略有不同,从时段来看,深市在1991—1995年时段的结果与沪市的结果基本相同,在1996—1999年和2000—2004年这两个时段的d值为负表明在这两个时段,深证日收益序列呈现短期记忆特征,渐近趋于有效.图3 深证成分指数周收益R/S,E(H)=0.65图4 深证成分指数日收益R/S,E(H)=0.56表3 各收益序列参数d值的估计值收益序列d(0.5)S td.E t-S ta d(0.55)S td.E t-S ta 上证综合日指数0.0329217330.02244 1.410.0414024330.03041 1.62 1991—1995年0.085923530.03023 2.840.061210030.04112 3.15 1996—1999年0.018368230.04995 1.370.021563030.06423 2.13 2000—2004年-0.00557070.03939-0.14-0.00418900.04775-0.24深证成分日指数0.0999*******.03193 3.130.0556300330.04136 2.45 1991—1995年0.1117040330.05884 1.900.213300030.03678 2.13 1996—1999年-0.027045830.081070.33-0.031640030.062530.57 2000—2004年-0.01631860.04912-0.33-0.02763100.06328-0.29 注:333表示在1%水平下显著,33表示在5%水平下显著,3表示在10%水平下显著. 总体上,ARFI MA模型和R/S分析研究得到的结果基本一致,ARFI MA模型在总体上接受了持久性效应的假设,同时,得到的结果也与Brak2 oulas等[4]对希腊股市,Panas[5]对雅典股市个股以及S ouial[6]对埃及股票市场等新兴证券市场研究的结论一致.3 结束语结合前一部分实证分析的结果,对沪深股票—391—第2期 张晓莉等:中国股票市场长期记忆特征的实证研究市场的有效性,可以得出以下几点结论.1)上海和深圳证券市场的日和周序列的Hurst 指数均大于0.5,通过显著性检验,上海证券市场揭示出非周期循环的平均长度是280d (约50w ),深圳证券市场的平均周期为400d (65w ).表明两市都具有长期记忆效应.2)总体上,ARFI MA 模型与R/S 分析相比结果基本是一致的,在沪市和深市收益序列中存在长期记忆特征而ARFI MA 模型研究结果也确认这一效应的存在.从分时段的分析来看,1998年以后,中国股市的长期记忆效应或持久性特征趋于弱化,表现为短期记忆效应,表明中国证券市场渐进趋于弱势有效.这与国家近年来对股票市场的监管力度加大,法制的完善,上市公司的信息披露力度加强等有一定的关系,说明中国证券市场正逐渐步入成熟的轨道.当然,这一结论也并非意味着中国股市已达到发达国家成熟股市那样的效率水平.中国股市一直存在不少问题阻碍了信息在市场交易者间的快速准确流动,进而影响到市场定价行为,制约了股市的功能发挥.因而相对于标准随机游走过程而言表现出更多的、更明显的突变与反转特征,正因如此,在阶段实证分析中表现出了反持久性结构.这也从另一个侧面表现出投资者对股市的信心不足或缺失及中国股市的低效率.参考文献:[1]Peters E E.Chaos and Order in the Capital Market[M].New Y ork :John Willey &S ons ,1996.[2]Lo A.Long 2term mem ory in stock market prices[J ].Econometric ,1991,59(6):1279—1313.[3]Hauser M.Semiparametric and nonparametric testing for long mem ory :A m onte carlo study[J ].Em pirical Economics ,1997(22):247—271.[4]Barkoulas J T ,Baum C F ,T ravlos N.Long mem ory in the G reek stock market[J ].Applied Financial Economics ,2000,10(2):77—84.[5]Panes E P.Estimating fractal dimension using stable distributions and exploring long mem ory through ARFI MS m odels in Athens stock exchange[J ].Applied Financial Economics ,2001,11(3):395—402.[6]S ourial M S.Long M em ory Process in the E gy ptian S tock M arket Returns[D B/O L ].http :///abstract =297220,SSR N ,2002.[7]伍海华.论证券市场的复杂性:以上海股票市场为例[J ].系统仿真学报,2002,14(11):1486—1490.[8]林淑真.灾变灰序列长记忆效应预测分析[DB/O L ].http ://w w w.stic.g ov.tw/ejournal/Y earBook/88/chi/4—16.pd f.[9]陈梦根.中国股市长期记忆效应的实证研究[J ].经济研究,2003,(3):70—78.[10]李亚静,何 跃.中国股市收益率与波动性长记忆性的实证研究[J ].系统工程理论与实践,2003,23(1):9—15.[11]赵春艳.中国股市长期记忆特征的时序分析[J ].统计观察,2005,5:70—71.[12]Feder J.Fractals[M].New Y ork :Plenum Press ,1988.[13]Mandelbrot B B.The variation of certain speculative prices[A].In :C ootner P.The Random Character of S tock Prices[M].Cam 2bridge ,M A :Massachusetts Institute of T echnology Press ,1964.165—179.[14]G eweke J ,P orter 2Hudak S.The stimation and application of long mem ory time series m odels[J ].Journal of T ime Series Analysis ,1983,4(2):221—238.作者简介:张晓莉(1975—),女,河南省新乡人,博士生,讲师,研究方向:经济金融系统化管理,zxl-mailbox @ ;严广乐(1957—),男,广东南海人,教授,博士生导师,研究方向:系统分析.—491—系 统 工 程 学 报 第22卷。