股票价格塑性模型及其计量经济学检验

从股票市场的量价规律出发提出股票的均衡价格、股价塑性等概念,建立包含高频交易数据的股价塑性理论的计量经济模型.用样本股票的数据对股价塑性模型进行检验和实证分析,检验结果表明,除了拟合优度R2稍差之外,解释变量的t检验和方程的F检验以及模型的经济学检验结果都较理想,实证分析结果表明股票价格的变化具有塑性的特征.     

变系数模型的变量选择及在股票数据中的应用

作者研究了纵向数据分析中变系数模型的变量选择及效应估计问题,该模型允许变量的效应随时间改变.本文方法在进行变量选择的同时,也估计变系数函数,避免了传统的变量选择方法极其复杂的计算.将本文方法用于股票价格分析,能够快速地在公司的众多财务变量中挑选出对股票收益率有显著影响的变量,并估计这些变量的时变效应,很好地解释股票收益率的变化.     

基于企业价值的战略集团划分方法

根据我国经济转型时期的特点,提出了一种基于企业价值的战略集团划分方法,给出了基于企业价值的战略变量和战略集团划分过程·分析后指出此方法中战略集团划分的基础是移动壁垒理论,并认为移动壁垒应从过去、未来两个方向进行测度·对过去方向来说,可选择企业财务比率作为战略变量;对未来方向来说,可选择股票价格进行衡量,并运用资本市场模型处理而得到测度股票价格的战略变量     

有限注意下大幅涨跌股票的短期收益实证研究

基于有限注意视角对股票价格大幅上涨或下跌后的短期收益做了实证研究。根据相关条件筛选得出沪深两市739家上市公司为样本,首先计算出总的累计异常收益,检验其显著性后,采用公司规模和换手率作为解释变量,以股票异常收益为被解释变量,进行基于每日交易数据的回归分析。结果发现换手率和公司规模都对股票异常收益有正的影响。对总的累计异常收益的稳健性检验,进一步证明有限注意的股市操作策略是有效的;无论是股票价格大幅上涨还是下跌,有限注意对累计异常收益的影响是显著的。     

基于ARIMA模型的时间序列数据挖掘方法改进

ARIMA模型是一种很重要的时间序列数据挖掘模型,但是这个模型往往只是对某个时间点进行研究.事实上一段时间往往影响未来的预测结果,就ARIMA模型的数据挖掘方法进行改进,并用美国IT界的股票价格数据对改进的模型进行了实证分析.结果显示改进后的模型与未来股票价格的预测更加准确.     

交互影响的时间序列联立方程模型及其应用

对时间序列向量自回归模型进行了改进,提出了一种新模型(交互影响的时间序列联立方程模型).对新模型滞后阶数的确定、解释变量的选择、参数的估计进行了阐述.最后,通过实例进一步论述了新模型的有效性.     

变系数模型的变量选择及在股票数据中的应用

本文研究纵向数据分析中变系数模型的变量选择及效应估计问题。模型允许变量的效应随时间改变。本文方法在进行变量选择的同时,也估计变系数函数,避免了传统的变量选择方法极其复杂的计算。将本文方法用于股票价格分析,能够快速地在众多公司财务变量中挑选出对股票收益率有显著影响的变量,并估计了这些变量的时变效应,很好的解释了股票收益率的变化。     

因子分析和神经网络相融合的股票价格预测

为了提高股票价格的预测精度,提出一种因子分析与神经网络相融合的股票价格预测模型.首先采用因子分析法确定影响股票价格的主要因子,然后将主要因子作为神经网络的输入向量进行学习和建模,并采用遗传算法对神经网络进行优化.该模型融合了因子分析和神经网络的优势,可以准确刻画股票价格变化的复杂性和非平稳性,提高了股票价格的预测精度,而且泛化能力更优.     

中国高频资产价格对经济增长影响效应及作用路径研究——基于多元混频数据M-MIDAS模型的分析

构建了六种混频数据M-MIDAS模型研究中国高频资产价格对低频经济增长影响效果及预测能力.结果表明:当滞后阶数变动到30阶时,以两参数贝塔(Beta)权重函数构建的MMIDAS模型拟合效果及样本内预测结果最优,Beta-M-MIDAS模型能够提取更多高频变量股票价格的日数据信息.高频资产价格股票价格、房地产价格对中国经济增长会产生显著正延迟效应,其中房地产价格的影响效应大于股票价格的影响效应.     

基于AR(1)的多个结构突变点的面板单位根检验

讨论了在AR(1)面板数据模型中,其个体效应上存在多个结构突变点的单位根检验问题.首先通过构造虚拟变量建立模型,假设模型中误差项为序列相关,得到模型的单位根检验统计量;然后在时间维度T有限横截面维度N无穷时得到统计量的渐近分布;最后利用蒙特卡洛模拟验证检验结果并进行实证分析,对中原经济区的宏观经济变量GDP进行单位根检验,结果表明考虑两个结构突变点后的GDP数据是平稳的.