转让股票进行买卖的方法和形式称为交易方式，它是股票流通交易的基本环节。下面是小编给大家推荐的股票市场相关的论文，希望大家喜欢!

股票市场相关的论文篇一

《浅谈我国A股与B股的收益率波动性的差异》

【摘要】中国的股票市场自从上海与深圳证券交易所成立以来，经过了20年的发展，与世界其他国家或地区的股票市场相比，中国的股票市场依旧是一个高度分割的市场，这主要表现在中国的股票市场被人为的分割为A股市场和B股市场。本文通过实证分析A股与B股指数间的互动关系及变化规律，试图找到中国股票市场不同市场的相似与差异点，从而为政策制定者提供消除或消弱股票场分割提供参考。

【关键词】股票市场;ARCH模型;收益率;波动性

Engle(1982)提出的ARCH模型，被认为是最集中地反映了金融数据时间序列方差波动特点的模型，成为现代计量经济学研究的重点。ARCH模型是用于分析收益率与波动率的有效方法之一，它解释了收益率序列中比较明显的变化是否具有规律性，并且说明了这种变化前后依存的内在传导是来自某一特定类型的非线性结构，较好地刻画了外部冲击形成的波动集聚性。Bollerslev(1986)修正了ARCH模型，在ARCH模型中加入了条件异方差的移动平均项，提出了GARCH模型。

本文在分析我国A股与B股市场的波动性问题时，也同样借鉴了上述方法，并收集了2005年至今的近5年的上证A股与上证B股、深证A股与深证B股的市场日数据，着重分析我国A股与B股市场的收益率波动性的差异。

一、证券指数收益率的平稳性检验

从下图中从上到下分别是上证A股指数、深圳A股、深证B股、上证B股的波动性曲线，从中，我们可以看到A股的波动要大于B股的波动，存在明显的差异。同时也可以看出去波动的趋势基本是一致的。

下面，我们来看看其日收益率曲线是否是平稳的，单位根检验如表1，通过分别做上证A股指数、深证A股、深证B股、上证B股的日收益率，及上证A股指数与上证B股的比率、深证A股与深证B股的日收益率的比值的单位根检验，发现上述变量都是平稳的。

二、A股与B股的收益率的波动性分析

1.A股与B股的收益率的波动性的一致性分析

在这里运用GARCH-M模型，我们以A股指数的收益率作为因变量，B股指数的收益率作为自变量，同时将GARCH项引入均值方程中，如果各个统计量是显著的，那么表明，A股与B股的日收益率具有一致性;相反，如果统计量不显著，那么，表明A股与B股的日收益率不具有一致性。这里仍然选择上证A股与上证B股、深证A股与深证B股作为研究对象，观察期为2005年1月5日至2010年12月17日大约5年的日数据。模型设定如下：

(a)式是均值的方程，带误差项的外生变量的函数。因为是基于过去信息的一步向前预测方差，所以称为条件方差。条件方差的方程有三项。其中，为A股指数日收益率，为B股指数日收益率。

检验结果如表2。

从检验结果来看，该模型的回归结果是显著的，从而与预期一致，从而可以判定出，A股与B股的日收益率具有一致性。即，当面临同样的经济机遇或者冲击时，其反应的方向是一致的，而且，在GARCH模型中，发现GARCH项系数较大，表明，历史信息对当期的波动作用较大。但是，仅此我们无法判断A股与B股的在收到冲击时的反应幅度大小。所以，我们接着进行下一步的检验。

2.A股与B股的收益率的波动性的差异性分析

在进行A股与B股的收益率的波动性的一致性分析时，以上证A股与上证B股指数的日收益率的比值，以及深证A股与深证B股指数的日收益率的比值作为考核对象，如果两者的比值波动幅度较小，则可以认为A股与B股的日收益率的差异较小，反之，则可以认为A股与B股的日收益率的差异较大。这里，我们首先来看看A股与B股的日收益率的比值的数据的统计特征。

从表3可以看出，上证A、B股日收益率比值的波动较大，而深证A、B股日收益率比值的波动较小。通过GARCH检验其方差，设为A股与B股指数日收益率比值，并设为被解释变量，为被解释变量，模型设定与前面类似。

如果回归方程的各个统计量显著，则表明滞后一期的比值可以解释当期的收益率比值。从而表明，A股与B股的收益率受到相同的冲击或利好消息后，其波动的差异较小，在可以接受的范围内;反之，若统计量不显著，那么表明滞后一期不能很好的预测到当期。此外，在一般的研究中认为在GARCH模型中，GARCH项代表历史趋势对当期的波动率的作用影响，残差项代表最新的冲击对当期波动率的影响大小。若GARCH项系数较大，表明历史信息对当期的波动影响较大;反之，若残差项较大，则表明，波动率在很大程度上由当期的最新信息决定。结合上述分析，回归结果如表5。

从回归结果中，可以看出，深证股票市场的A股与B股的收益率比值的回归较为显著，表明，深证股票市场的A股与B股的波动性差异较小。而且，其GARCH项系数较大，表明历史信息对收益率比值的波动(波动性差异)影响较大，而新信息的影响较小，这也可以解释深圳A、B股市受到新的经济冲击下，其波动差异较小。

此外，上海股票市场的A股与B股的收益率比值的回归并不显著，表明了上海股票市场的A股与B股的收益率的波动性差异较大，其GARCH项系数较小，表明历史信息对收益率比值(波动性差异)的波动影响较小，残差项系数较大，表明新信息对波动性差异的影响较大。

三、结论及原因分析

通过对我国沪深两市的A股与B股的指数收益率的进行实证分析，表明，沪深两市的A股与B股的收益率变动具有一致性，但是也存在差异性，具体说来，上海股票市场的A股与B股的波动差异较大，而深圳股票市场的A股与B股的差异性较小。

我国的企业同时在国内外上市，其面临的宏观经济环境是一样的，但是其收益率波动性却存在比较明显的差异，究其原因，可能有以下几点：

1、市场分割

在分割的市场上，风险定价是不一致的。导致中国证券市场分割的主要原因是限制国内投资者投资于国外股票市场和B股市场，以及限制国外投资者投资于A股市场。

2、信息非对称

影响A、B股价格差异的信息非对称是指国内外投资者之间的信息非对称。主要表现为：(l)国内投资者拥有较多信息，国外投资者拥有较少信息;(2)国内投资者先得到信息，国外投资者后得到信息。

3、流动性差异

流动性是指股票变现的能力。股票市场的功能之一是提高产权交易的流动性。投资流动性越差的股票，交易成本越高，流动性差的股票具有较高的期望收益和较低的价格以补偿较高的交易成本。

4、汇率风险

中国的B股是以美元或港币计价交易的，股票交易环节几乎没有汇率风险。不过，根据《上海市人民币特种股票管理办法的实施细则》，B股企业分红派息以人民币计价，按照人民币兑美元即时汇率折算后以美元支付，因此B股投资者承担一定的汇率风险。

股票市场相关的论文篇二

《股票收益波动率预测模型比较研究》

[摘要]依据建模理论的不同，可将股票收益波动率预测模型分为两大类：一类是以统计理论为基础的传统型的波动率预测模型;另一类是以神经网络、灰色理论、支持向量机等为理论基础的创新型预测模型。运用这两类模型对股票收益波动率进行预测时各有特点。本文对这两类模型研究现状进行了介绍，对两类模型的特点进行了比较分析，并对未来发展方向提出建议。

[关键词]股票收益;波动率;GARCH模;型SV模型;神经网络;灰色模型;支持向量机

一、股票收益波动率预测模型研究现状

如何对股票收益波动率进行准确的描述与预测?这一直以来都是金融学领域探讨的热点问题之一。把握股票收益波动率的特征及趋势，对投资者测度、规避和管理股市风险具有极其重要的理论和实际意义。因此，长期以来许多学者运用各类预测模型对股票收益率波动性进行实证分析和预测，希望能够从中得到有益的启示和可以遵循的规律。目前，从国内外的相关文献来看，尽管对股票收益波动率进行预测的模型有很多种，但依据其建模理论不同，可将模型划分为两个大类：一类是以统计原理为基础的传统型的波动率预测模型，目前较为流行且具有代表性的模型包括ARCH类模型和SV类模型;另一类是以神经网络(ANN)、灰色理论(GM)、支持向量机(SVM)等为基础的创新型预测模型。国外学者运用GARCH和SV模型进行预测，其预测效果好于国内的同类预测。Campbll,Hetschel,Engle,Ng,Pagan,Schwert等证实GARCH能够提供较理想的数据模拟与预测效果。Jun、Yu利用基本SV模型对新西兰股市进行了预测分析,发现基本SV模型具有很好的预测能力。G..B.Durham利用SV-mix模型对标准普尔500指数做了预测，认为预测效果较好。国内学者如魏巍贤、张永东、钱浩韵、张世英等分别运用GARCH和SV对我国股市进行预测，效果不是十分理想。而利用创新型预测模型(ANN，GM，SVM)对股市进行预测，国内外文献显示预测效果都比较理想。Hill等将神经网络与六种传统的统计预测方法作了对比，他们用了111个时间序列进行预测，结论是：采用短期(月度、季度)数据预测时，神经网络明显优于传统的统计模型;采用长期(年度)数据时，预测结果相差不多。李敏强、吴微、胡静等许多学者实证研究结果表明：人工神经网络应用于我国股票市场的预测是可行和有效的。陈海明、段进东、施久玉、胡程鹏、覃思乾应用灰色GM(1，1)模型对股票价格进行短期预测，效果很好。W.Huang等用支持向量机预测股票市场运动方向。P.Pai等将ARIMA模型和SMV模型结合起来，提出一种组合模型来进行股票价格预测,得出该组合模型优于单个ARIMA或SVM的结论。国内的杨一文、杨朝军利用SMV对上海证券综合指数序列趋势做较准确的多步预测。李立辉等将SMV应用到我国上证180指数预测中。周万隆、姚艳、赵金晶等实验结果表明，SVM预测精度很高。

总之，比较国内外学者的研究状况，至少可以得出以下两个结论：一是国外学者采用美国或其他西方国家股市的相关数据带入GARCH类或SV类模型进行数据拟合或预测，其效果普遍要好于国内学者采用国内股市相关数据进行的同类研究;二是我国学者运用创新型预测模型进行股市方面预测的文献多于传统的统计模型，而且从预测效果上看，创新型预测模型的预测精确度要高于传统型统计类预测模型。

二、基于统计原理的预测模型与创新型预测模型的比较分析

1.建模的理论基础不同。传统的基于统计原理的股票收益波动率预测模型是建立在统计分析理论基础之上的。而处理基于概率统计的随机过程，是要求样本量越大越好，原始数据越完整、越明确越好。但事实上，在实际中，即使有了大样本量，也不一定找到规律，即使有了统计规律也不一定是典型的。创新型预测模型则是完全脱离统计理论的基础，以一种创新型的建模思维，来建立预测模型。例如灰色模型是建立在灰色理论基础之上的，依据广义能量变化规律，将历史资料做累加处理，使其呈现出指数变化规律，然后建模。而人工神经网络模型是建立在神经网络理论基础之上的，它通过模仿人脑神经系统的结构及信息处理和检索等功能，建立神经网络模型进行预测。支持向量机则依据的是统计学习的机器学习理论，通过凸优化，使得局部解一定是最优解，克服了神经网络收敛速度慢和局部极小点等缺陷。

2.对数据的要求与处理不同。基于统计原理的预测模型要求样本量大并有很好的分布规律，无论是GARCH类还是SV类模型，只有在样本量足够大，且分布较好的情况下，其预测效果才会比较理想。例如，运用GARCH模型对美国股指进行预测要比对国内股指进行预测效果理想，原因是我国股市发展的时间相对较短，期间由于宏观调控和股改等原因，造成股指大起大落，导致数据分布规律性不强，因此我国运用这类模型存在一定局限。而创新型预测模型对样本量的要求和分布程度的要求均较低。例如灰色模型，只要拥有7、8个数据就可对下一个数据进行预测。在处理技术上，灰色模型要对原始数据进行累加处理，使表面杂乱无章的数据呈现出明显的指数规律，建模计算之后，再进行累减还原。神经网络模型则采用数据驱动，黑箱建模，无需先验信息，能够在信息资源不完整、不准确等复杂的数据环境下，通过自身结构的调整，提取数据特征，并对未来进行有效预测。

3.模型结构的稳定性与适应性不同。基于统计原理的预测模型一经建立，其模型结构具有较强的稳定性，模型变量之间存在一个稳定的内在关系。无论是GARCH模型还是SV模型，模型结构都相对稳定、简单，而且都是单因素模型。但在实际中，预测环境是复杂多变的，一旦系统变量之间出现新的关系，该类模型则无法调整和适应。创新型预测模型则是一种或者多因素、或者可以变结构的模型，其计算相对复杂，但其适应能力要好于基于统计原理的预测模型。例如灰色模型，除了有基本的GM(1，1)模型，对于高阶系统，灰色理论通过GM(1，n)模型群解决，并且可以综合考虑多种因素的影响。而神经网络和支持向量机都是变结构模型，通过网络对新样本的学习，调整其内部结构，从而适应系统变量的变化。对于非线性高维、高阶问题神经网络和支持向量机会发挥得更好。

4.预测精准度与外推性强弱不同。相比较而言，基于统计原理的预测模型误差较大，外推性差。因为基于统计原理的预测模型对数据样本没有再处理或学习的过程，因此对样本的拟合性较低，由此导致其外推性也较差。而创新型预测模型相对而言精确度较高，外推性强。原因是创新型预测模型对数据具有再处理或学习的过程。灰色模型是对数据进行了累加处理;而神经网络模型和支持向量机是对数据进行了学习，然后进行推理、优化。因此，创新型预测模型的拟合度和外推能力都要高于统计类模型。

5.预测难度与预测时间长度不同。基于统计原理的预测模型技术比较成熟，预测过程相对简单。无论是GARCH类还是SV类预测模型，其建立模型依据的理论基础坚实，模型构造相对简单，计算难度相对较低。由于这类模型采用的数据是较长时间的历史数据，因此可以对未来进行较长时间的预测。而创新型预测模型预测技术还有改进的余地，且预测难度较大。如利用神经网络进行股票收益波动率预测，其过程相对较难，因为神经网络需要设定隐层，权重;其隐层和权重设置合理与否，直接导致预测结果的合理与准确。用支持向量机方法进行预测，涉及到核函数的确定。核函数的确定难度较大。由于创新型预测模型对数据要求度不高，一般是小样本量预测，因此，适用于对预测对象进行短期预测。

三、我国股票收益波动率预测模型发展方向

1.创新型的智能化预测模型将成为我国股票收益率预测的一个发展方向。首先，创新型预测模型能够克服我国股市数据不完整、波动大、分布不合理等缺点，采用小样本数据对股市进行短期预测，预测的精准度相对高于传统的统计类预测模型。其次，创新类模型中的智能化模型能够模仿或部分模仿人工智能，对影响股市的多种因素进行复杂的非线性变结构处理，既能克服单因素模型包含信息不充分的缺点，也能克服固定结构模型无法处理突发性事件的缺点，能尽量充分地反映影响股市的多种信息和复杂变化，从而增加预测的准确度。

2.组合预测模型将成为我国股票收益率预测模型发展的另一个发展方向。组合预测是将不同预测模型的预测结果依据一定的原则赋予不同的权重，然后进行加权平均，得出最终的预测结果。这种预测方法可以克服单一预测模型信息量不充分的缺点，充分发挥不同预测模型的优势，最大限度获取不同角度的信息量，提高股票收益率预测水平。

3.包含各种非量化信息的预测模型将成为我国股票收益率预测模型的一个重要发展方向。目前股票收益率预测模型都属于数量化预测模型,非量化的因素无法融入到模型之中,这就导致预测中丢失了大量的非量化信息,预测的精准度受到很大影响。如何能将各种影响股市的非定量化信息进行技术处理后转变成量化信息,使之能够被加入到股票收益率预测的模型当中,从而充分反映政策因素、心理因素、突发事件等非量化因素对股票收益率的影响,提高预测的精确度,是股票收益率预测模型的一个重要发展方向。