上证指数收益率的ARCH族模型与实证分析

应用广义自回归条件异方差GARCH模型对上海股市1999年6月30日至2007年6月29日上证指数收益率进行建模分析.结果反映上证指数收益率具有明显的聚集性、波动性、尖峰厚尾的特征,ARCH族模型较好的拟合了上证指数收益率序列.     

货币供应量、外汇储备和成交金额对上证指数的影响分析

选取了2011年1月至2017年1月的月度数据来建立VAR模型,研究货币供应量、外汇储备和成交金额对上证指数的影响.结果表明,外汇储备和货币供应量前两期的变动,对上证指数具有很强的影响.同时,上证指数受其自身变动的影响最大,说明指数的走势具有很强的惯性.此外,上证指数的成交金额对其也有较大的影响,这体现了市场中资金的流入流出是指数涨跌的直接动因.     

顶部已现

从上证指数周线图上可看出,本轮反弹受阻于40周均线,1992年11月17日上证指数从386.85点上升至1993年2月16日的1558.95点,16年后上证指数从2008年10月28日     

基于IOWA算子的证券市场组合预测模型的实证研究

本文首先对我国上证指数建立灰色预测、随机游走、多元回归模型,然后建立诱导有序加权算术平均(IOWA)组合预测模型.结果表明,组合预测模型的预测精度明显优于参与组合预测的各单项预测模型.利用IOWA组合预测得到的权重,预测我国2012年11月到2013年10月的上证指数走势.结果表明,未来12个月我国上证指数的收盘价先有上升趋势,后有下降的趋势,具有一定的波动性.     

新股发行弊端显现 小盘股泡沫何时破

正2013年终成过去。"一月预言"在上证指数上失败,2013年1月上证指数上升5.1%,但全年则下跌6.7%;在深圳指数上却获得成功,2013年1月上升6.2%,全年上升20%。而以反映中国股市整体表现的巨潮1000指数去年上升1.4%以及中证全指上升5.2%,总算能体现"一月预言"的价值。2014年1月中国股市表现又如何?至本周四为止,上证指数下跌4.1%,深圳指数下跌1.8%,巨潮1000指数下跌3.7%,中证全指下跌3.4%,情况不容乐观。观乎日线走势,眼下震荡     

关于copula函数的两种半参数估计方法的比较

本文以沪深300股指期货与上证指数的日收益率序列作为建模对象,通过两种基于经验分布的半参数估计copula参数的方法对两序列进行了相关性分析.结果表明,通过QQ、K-S拟合检验以及欧式距离,这两种方法所估计的Gumbel-copula模型均能更好地描述沪深300股指期货与上证指数的相关关系.     

基于SVM的上证指数预测研究

国家政策或市场经济导向等变动会对整个上证指数产生影响,为了寻找上证指数变化规律,提出基于支持向量机的预测算法。算法首先利用数据挖掘技术在某网站上挖掘相关的上证价格数据,并取一部分上证数据作为支持向量机的训练指数样本,得到支持向量机的训练指数集,然后在训练指数集上利用支持向量机,从而得到上证指数分类的超平面指数函数以及相关的上证指数样本集,最后对所得的上证指数分3个模型进行预测研究,得到下一个开盘日的上证指数变动预测数据。实验结果表明,预测2天后的上证指数趋势只需要前3天的数据作为自变量输入即可,且所得预测值与实际数值的误差率较低。     

上证指数的R/S分析及FIEGARCH建模

分析了从1997年1月2日到2007年4月30日的上证指数周收益率的波动,用AR模型消除短期记忆后,提出了一种新的方法,间接估计FIEGARCH模型参数,即先用R/S分析估计差分阶数d,验证该序列的确存在长期记忆性,再估计剩下的EGARCH模型的参数。     

基于Copula函数不同季度上证指数的相关性分析

借鉴Copula函数在尾部相关性研究的应用理论,建立Copula函数模型,对不同季度上证指数的尾部相关性进行研究,并利用上证指数进行实证分析.结果显示,各季度收盘价间有正尾部相关性.尾部相关性研究为风险量化管理提供了一种新途径.     

进入震荡调整周期

本周的市场呈现出来的是“分化”的运行格局,主要体现在上证指数与深证成指、中小板指数和创业板指数的分化上.上证指数自2月23日的3264点以来出现了持续的调整,3月3日出低点后进行了缩量反弹;而除上证指数外的其它三个指数,则是持续的向上“补涨”、拓展新高.整体的四个指数在3月9日结束了反弹(上升)报收出了不大不小的一根阴线来.