时间序列分析在中国证券市场中的应用
摘 要：复杂的时间序列往往蕴含了很多潜在的重要信息和事物规律,我们对这类重要的复杂数据对象进行详尽的分析后,便有可能揭示事物运动、变化和发展的内在规律。金融时向序列是金融资产收益序列的重要表现形式,例如股票、基金、外汇、金融衍生品等收益率的分时线、日线等,也是经济与金融领域中最重要的数据,因此对这类数据分析和预测在金融投资预测、决策和风险管理等方面具有重要意义。
关键词：时间序列分析 证券市场 预测模型
- 各位作者在自己文章中所发表的看法
（一）、中国作者对时间序列分析的看法
1、闫靓在《基于股票资金流强度的时间序列分析》中说到：量价关系是股票市场研究中的热点问题之一。量价关系的研究包括成交价与成交量、收益率与成交量、收益率与成交额之间的相关关系。由于收益率为平稳序列,大部分研究基于收益率与成交量之间的相关关系。但成交量并不能全面反映股票相关信息,股票资金流强度是由股票成交价与成交量编制而成的新技术指标,具有横向对比个股间强度的优势,能够更全面反映股票市场相关信息。本文研究股票资金流强度与收益率之间的关系,并进行实证分析,以期达到预测股票涨跌的目的。实证结果发现股票资金流强度序列具有尖峰厚尾的特征,且为平稳序列,存在高度序列相关性。股票资金流强度与收益率绝对值间存在显著的正相关关系。Granger因果关系检验结果表明股票资金流强度与绝对收益率之间存在双向Granger因果关系。同时发现对数股票资金流强度可降低收益率的ARCH效应。这说明股票资金流强度确实包含了与价格变化相关的信息。相关实证结果说明,基于股票资金流强度的时间序列分析,是股票市场价格预测的有效方法。
2、侯春艳在《基于时间序列的股票资金流强弱指数结构突变研究》中写到：波动性是股票市场的显著特点,也是金融理论的核心内容.结构突变是波动理论的重要部分.本文用由股价、成交量及流通量等数据计算而得的综合指标——股票资金流强弱指数作为研究对象,研究中国股市的波动特性.更深入的了解股市的波动特性,而且可以为股市波动预测提供依据,因而具有重要的现实意义.
3、王霞在《中国股票市场的产业结构优化效应研究》中说了：近年来,我国经济增长明显放缓,究其原因,直接表现是外需下降,但本质上是因为我国产业结构不合理,产业结构不合理越来越成为制约我国经济进一步发展的重要因素。在此背景下,中央提出“促改革、转方式、调结构”的发展思路,把加快产业结构优化升级作为新时期我国经济发展的重要抓手。调整优化产业结构的实质是要调整优化资源配置。股票市场是重要的资源配置市场,股票市场的资源配置效率如何直接关系到实体经济效率的高低。因此,研究股票市场的产业结构优化效应,在理论上有利于弄清股票市场对产业结构影响的机理；在实践上,可以推动股票市场监管部门加快制度改革和政策改进,引导资源流向亟需发展的行业和企业,从而提高股票市场资源配置效率,促进产业结构优化升级。本文以股票市场的产业结构优化效应为选题,采用1993—2012年的相关数据,试图在研究股票市场对产业结构影响机理的基础上,运用统计描述方法、时间序列分析方法和灰色关联分析方法,分别分析股票市场对产业结构优化的增量调整效应、存量调整效应、总体效应、结构效应。
4、张丰旺在《基于信息粒化的SVM在证券时间序列分析中的应用》中写到：随着经济的快速发展,金融领域的研究越来越受到国内外学者的重视。近年来时间序列分析的方法有好多种,传统的模型要么模型非线性映射比较简单,不能完全反映非线性规律；要么模型结构复杂,推广性不强。支持向量机(Support Vector Machines,SVM)提供了较好的建模方法,有较好的理论基础,不需要考虑系统的数学模型,对数据拟合采用结构风险最小化,训练率高。本文将信息粒化与SVM组合,对证券时间序列进行回归分析。首先对时间序列分析、SVM和信息粒化的理论进行了比较深入的介绍,并将SVM运用到时间序列的分析当中,将证券时间序列的数据根据模型进行自变量和因变量的选择,并对这些数据进行归一化处理；其次针对SVM相关的参数进行调节的问题进行了研究,主要介绍了三种参数寻优方法,分别是交叉验证法、遗传算法、微粒群优化算法,对这些算法的效率进行比较：最后对上证指数进行模糊信息粒化后再进行SVM的回归分析,这样对上证收盘指数的变化趋势和空间进行了有效的预测。实验结果表明SVM模型很好的反映了上证指数的变化规律,拟合和预测还是比较理想的：同时将信息粒化和SVM模型的有效结合可以使SVM发挥更好的效果,而且这种方法是十分可行的。
5、杨一文、蔺玉佩在《模糊时间序列建模及股票市场多步预测》中写到：首先应用模糊聚类方法将数据分类,以相邻两个聚类中心的中点作为子区间的分界点来划分论域,并以此将时间序列模糊化为模糊时间序列;其次根据证券市场主要量价指标建立了具有多个前件的高阶模糊关系;最后将该模型用于上证股票综合指数和深证股票成分指数的多步预测和涨跌趋势预测。与典型模糊时间序列模型比较,涨跌趋势预测准确率有较大提高,多步预测结果表明模型具有较好的泛化能力。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
