人民币汇率与股票市场收益率波动溢出效应研究

文章通过建立GARCH族模型以及BVGARCH-BEKK模型,结合LR似然比检验和Wald检验,实证研究股票市场和外汇市场收益率的波动关系.研究表明:(1)股票市场和外汇市场都存在显著的ARCH效应,即收益率的波动具有明显的时变性和集簇性.(2)GARCH(1,1)模型很好地消除了两市收益率的条件异方差性,方差方程中的ARCH项和GARCH项的系数之和接近1,表明冲击对条件方差的影响具有很强的持续性.(3)两市都存在非对称效应,股票市场中好消息引起的波动比同等坏消息引起的波动要大,而外汇市场坏消息引起的波动比同等好消息引起的波动要大.(4)股票市场和外汇市场收益率存在单向的,不对称的溢出效应.     

我国股票资产价格与通货膨胀关系的研究

货币政策是否应该干预股票资产价格的波动,这是一个广受关注且富有争议的问题。这一问题的关键因素在于正确判断通货膨胀与股票资产价格的关联性。目前,股票收益率与通货膨胀之间存在四种相关关系,即正相关、负相关、不确定以及不相关。我国的资本市场成立较晚,研究股票收益率与通胀率之间关系的成果非常少。所以从我国沪深两市股指与通货膨胀走势、沪深两市股指波动区间、波动频率与通货膨胀间的关系,以及我国沪深两市股票市盈率与通货膨胀关系描述等三方面来揭示股票资产定价与通货膨胀间的关系,为全面认识我国证券市场与通胀间的关系提供实事依据。     

非参数局部线性估计方法及对中国股市杠杆效应的实证分析

介绍非参数局部线性估计理论,以上证综合指数和深证成份指数2001年12月28日—2007年12月28日的每日收盘价对数收益率为样本,运用非参数变窗宽局部线性估计方法对中国股票市场波动率的非对称性作了实证研究：在样本周期内,中国的股票市场存在杠杆效应。     

中国股票市场非线性预测模型研究

文章运用GARCH模型族对上证指数和深证成指收益率的波动性进行研究,分析了我国股市波动性的特点。通过比较发现,对于沪、深两市股指收益率的波动性,EGARCH(1,1)模型和E-GARCH(1,1)—M模型都能很好地拟合,同时还对两市股指收益率的波动性进行了预测分析。     

基于多尺度分析理论的中国股票市场波动的实证研究

运用多尺度分析理论研究中国股票市场的波动,借助MATLAB 7.3软件的小波分析工具箱（wavelet toolbox）和广义自回归条件异方差模型工具箱（GARCH toolbox）,对上证综合指数收益率序列进行时域分析和多尺度分析,结果表明多尺度分析更能捕捉到中国股市的波动特点,明显提高GARCH模型的仿真预测精度。     

内地权证到期对标的股票影响的实证分析

对权证到期时对标的股票成交量、股价及超常收益率进行了实证分析。分析结果表明：认股权证在行权时标的股票成交量有所放大,但股票价格并没有波动;在股票市场这一轮牛市的作用下,认沽权证到期时都属于价外权证,没有行权可能,因此,对标的股票价格及成交量不产生影响。     

新兴股票市场有效性及诚实性检验方法和实证分析

本文介绍了新兴股票市场有效性及诚实性检验方法，通过检验上市公司新发布的公告是否能引起股市交易量的增加和收益率的波动量增加来检验股票市场的有效性及是否存在内部交易的问题。如果在公告发布期间股市没有任何异常变动，市场可能是效率低下的或是存在内部交易。如果进一步分析能够证实在同一公司发布的针对不同持有群体的股票之间,如A股和B股或H股之间，存在滞后的引导关系，则可以基本判定股市存在内部交易。Utpa Bhattacharya已经对墨西哥的Bolsa Mexicana de Valores市场做过类似的研究并且发现该股票市场存在内部交易。本文对中国的股票市场进行研究。结果表明中国股市不存在明显的内部交易，但同时也发现中国股市的A股和B股市场之间的联动性较弱，中国股市有效性较差，尤其是B股市场对市场信息公告的反映很不明显。这些都在一定程度上反映了中国股市作为成长中的股市发展还不成熟，B股市场的发展尤其需要进一步努力。     

信息不对称与股票市场的失灵

信息不对称是破坏股票市场有效性的主要因素之一。它会在股票市场中引起道德风险和逆向选择，使股票价格出现异常的波动。本文通过对我国股票市场微观信息的检验得出蛄论：我国股票市场存在着严重的信息不对称现象．从而造成了股票市场的失灵问题。     

我国股市波动的特点、成因及对策分析

本文对中国股市波动的特点及影响中国股市价格波动的关联因素进行了分析，对规范我国股票市场提出了一些对策，有助于了解股市价格波动的规律和促进我国股市健康而稳定地发展。     

基于BP神经网络的上证指数收益率预报

采用牛市期间和熊市期间的上证指数日收益率数据对BP(Back-Propagation)神经网络进行训练和检验。在牛市和熊市期间,平均相对预测误差分别为4.11%和4.08%,说明BP神经网络在预测股票市场收益率方面具有良好的应用性。