精华内容
下载资源
问答
  • 影响股票市场的效应
    千次阅读
    2022-02-03 22:04:03

    A股月份效应的研究

    前言

    《易经》早就揭示出:物极必反,盛极必衰!

    阴阳总是不断交替的。股票市场也一样,涨跌互现,涨多了会出现调整,跌多了会出现反弹,因此我们看到K线组合总是红(阳)绿(阴)相间的。

    正是由于市场行情总是阴阳交替出现,交易者们才孜孜不倦地想通过择时(选股)来获取超额收益。指数的走势是各方资金博弈的结果,而博弈的过程存在一个时间的延续性,也就是说过去的走势对未来走向有一定的参考价值。

    尽管过去不能代表未来,但统计发现历史总是“惊人的相似”,比如“月份效应”。实际上,不少实证研究发现大多数市场存在“月份效应”,即存在某个或某些特定月份的平均收益率年复一年显著地异于其他各月平均收益率的现象。

    一、月度收益率分析

    # 月份效应
    # 获取数据
    import numpy as np
    import pandas as pd
    import matplotlib.pyplot as plt
    import matplotlib.patches as mpatches
    #正常显示画图时出现的中文和负号
    from pylab import mpl
    mpl.rcParams['font.sans-serif']=['SimHei']
    mpl.rcParams['axes.unicode_minus']=False
    
    def get_daily_ret(security,start_date,end_date):
        df=get_price(security, start_date,end_date, frequency='daily', fields=['open','close','high','low','volume','money'])
        df.index=pd.to_datetime(df.index)
    #     计算收益率
        daily_ret=df['close'].pct_change()
    #     删除缺失值
        daily_ret=daily_ret.dropna()
        return daily_ret
    
    # 月度收益情况
    def plot_monthly_ret(security,title):
        daily_ret=get_daily_ret(security,start_date,end_date)
        monthly_ret=daily_ret.resample('M').apply(lambda x:((1+x).prod()-1))
        plt.rcParams['figure.figsize']=[20,5]
        monthly_ret.plot()
        start=monthly_ret.index[0]
        end=monthly_ret.index[-1]
    
    #显示月收益率大于3/4分位数的点
        dates=monthly_ret[monthly_ret>monthly_ret.quantile(0.75)].index   
        for i in range(0,len(dates)):
            plt.scatter(dates[i], monthly_ret[dates[i]],color='r')
        labs = mpatches.Patch(color='red',alpha=.5, label="月收益率高于3/4分位")
        plt.title(title+'月度收益率',size=15)
        plt.legend(handles=[labs])
        plt.xlabel('时间')
        plt.ylabel('收益率')
        plt.show()
    
    security='000300.XSHG'
    start_date='2010-01-01'
    end_date='2022-01-01'
    plot_monthly_ret(security,'沪深300指数')
    

    在这里插入图片描述
    从图中可以看出,沪深300指数的月收益率围绕均线上下绕动。

    #月波动率情况
    def plot_votil(security,title):
        daily_ret=get_daily_ret(security,start_date,end_date)
        monthly_annu=daily_ret.resample('M').std()*np.sqrt(12)
        plt.rcParams['figure.figsize']=[20,5]
        monthly_annu.plot()
        start=monthly_annu.index[0]
        end=monthly_annu.index[-1]
        dates=monthly_annu[monthly_annu>0.07].index
        for i in range(0,len(dates)-1,3):
            plt.axvspan(dates[i],dates[i+1],color='r',alpha=0.5)
        plt.title(title+'月度收益率标准差',size=15)
        labs=mpatches.Patch(color='red',alpha=.5, label="波动集聚")
        plt.legend(handles=[labs])
        plt.xlabel('交易日')
        plt.ylabel('月度波动率')
        plt.show()
    

    在这里插入图片描述
    从图中可以看出,沪深300指数的波动率存在聚集的现象。

    
    def plot_mean_ret(security,title):
        daily_ret=get_daily_ret(security,start_date,end_date)
        monthly_ret=daily_ret.resample('M').apply(lambda x:((1+x).prod()-1))
        mrets=(monthly_ret.groupby(monthly_ret.index.month).mean()).round(2)
        x=list(mrets.index)
        y=list(mrets.values)
          
        
        plt.rcParams['font.sans-serif']=['SimHei']
        plt.rcParams['axes.unicode_minus'] = False
        plt.figure(figsize=(16,8))
    
        ax=plt.gca()  
        #设置图片的右边框和上边框为不显示
        ax.spines['right'].set_color('none')
        ax.spines['left'].set_color('none')
        ax.spines['bottom'].set_color('none')
        ax.spines['top'].set_color('none')
    
        # 百分比设置
        from matplotlib.ticker import PercentFormatter
        plt.gca().yaxis.set_major_formatter(PercentFormatter(1))
    
        # 坐标轴刻度大小
        #设置x轴
        plt.xticks(fontname="SimHei",fontsize=15,rotation=0)
        plt.yticks(fontname="SimHei",fontsize=15,rotation=0)
        bar=plt.bar(x,y,0.3,color='r')
        plt.ylabel('月平均收益率',fontsize=15)
        plt.xlabel('月份',fontsize=15)
        
    
        
        plt.title(title+'月平均收益率',fontsize=15)
        return bar,mrets
    

    在这里插入图片描述
    从图中可以看出,平均月份的收益率均值也存在较大的差异,由此大致看出,月份效应确实存在。

    二、月份效应策略构建

    # 月份均值
    def monthly_ret_stats(security,title):
        daily_ret=get_daily_ret(security,start_date,end_date)
        monthly_ret=daily_ret.resample('M').apply(lambda x:((1+x).prod()-1))
        ret_stats=monthly_ret.groupby(monthly_ret.index.month).describe()
        pnm=ret_stats[ret_stats['mean']>0.01].index.to_list()
        nnm=ret_stats[ret_stats['mean']<-0.01].index.to_list()
        return pnm,nnm
    

    构建一个简单的月度择时策略并进行历史回测。即先对指数历史数据进行统计分析,计算月度收益率的历史均值,当月度收益率均值大于1%时做多当月,当月度收益率均值小于-1%时做空当月。

    首先计算出看多月份和看空月份,看多月份为[2, 4, 10, 12], 看空月份为[1, 6, 8]。

    接下来设置模拟的交易策略

    def Month_Strategy(security,is_short):
        daily_ret = get_daily_ret(security,start_date,end_date)
        #月度收益率
        mnthly_ret = daily_ret.resample('M').apply(lambda x : ((1+x).prod()-1))
        #设计买卖信号
        df=pd.DataFrame(mnthly_ret.values,index=mnthly_ret.index,columns=['ret'])
        #做多月份
        ret_stats=monthly_ret.groupby(monthly_ret.index.month).describe()
        pnm=ret_stats[ret_stats['mean']>0.01].index.to_list()
        nnm=ret_stats[ret_stats['mean']<-0.01].index.to_list()
          
    
        print(f'做多月份:{pnm}')
        df['signal']=0
        for m in pnm:
            df.loc[df.index.month==m,'signal']=1
        #如果可以做空
        if is_short==True:
            for n in nnm:
                df.loc[df.index.month==n,'signal']=-1
            print(f'做空月份:{nnm}')
    
        df['capital_ret']=df.ret.mul(df.signal)
        #计算标的、策略的累计收益率
        df['策略净值']=(df.capital_ret+1.0).cumprod()
        df['指数净值']=(df.ret+1.0).cumprod()
        return df
    

    不能做空时的情况:

    title='沪深300指数'
    is_short='False'
    long=Month_Strategy(security,is_short)
    long
    

    在这里插入图片描述
    可以做空的情况:

    title='沪深300指数'
    is_short=True
    long_short=Month_Strategy(security,is_short)
    long_short
    

    在这里插入图片描述
    将两者进行对比可以发现,做空策略下的收益率更高一些

    plt.figure(figsize=(12,10))
    plt.plot(long['策略净值'],label='不可做空下的策略净值')
    
    plt.plot(long_short['策略净值'],label='可做空下的策略净值')
    plt.plot(long['指数净值'],label='指数净值')
    plt.legend()
    plt.show()
    

    在这里插入图片描述

    三、backtrader回测

    发现对沪深300指数进行月份策略有不错的收益率,那么接下来实盘操作一下,以沪深300指数的场内连接基金(ETF)为例进行实盘回测。

    from datetime import datetime
    import backtrader as bt
    
    # 通过数据库获取数据
    def get_data(security,start_date,end_date):
        df = get_price(security, start_date, end_date, frequency='daily')
        
        df['daily_ret']=df.close.pct_change()
        month_ret=df.daily_ret.resample('M').apply(lambda x : ((1+x).prod()-1))
        df['month']=month_ret
        df=df.dropna()
        df['openinterest']=0
        df=df[['open','high','low','close','volume','openinterest','month']] #按照back trader数据格式进行整合
        return df
    
    security='510300.XSHG'
    start_date='2010-01-01'
    end_date='2022-01-01'
    stock_df=get_data(security,start_date,end_date)
    stock_df
    

    数据如下所示:
    在这里插入图片描述

    # 将数据导入到back trader中
    fromdate=datetime(2010,1,1)
    todate=datetime(2021,12,31)
    data=bt.feeds.PandasData(dataname=stock_df,fromdate=fromdate,todate=todate)
    

    将做多和做空的月份安排如下:

    # 做多月份:[2, 4, 10, 12]
    # 做空月份:[1, 6, 8]
    

    构建回测策略:

    class TestStrategy(bt.Strategy):
        
        def log(self,txt,dt=None):
            dt=dt or self.datas[0].datetime.date(0)
            print('%s,%s'%(dt.isoformat(),txt))
            
        def __init__(self):
            self.dataclose = self.datas[0].close
            self.datatime=self.datas[0].datetime.date(0)
            self.order=None  #跟踪挂单
            self.buyprice = None
            self.buycomm = None #加入手续费
            
        def notify_order(self,order):
            if order.status in [order.Submitted,order.Accepted]: #经纪商提交/接受/接受的买入/卖出订单 
                return
            if order.status in [order.Completed]: ## 检查订单是否完成
                                                  # 注意:如果没有足够的现金,经纪人可能会拒绝订单
                
                if order.isbuy():
                    self.log(
                        'BUY EXECUTED, Price: %.2f, Cost: %.2f, Comm %.2f' %
                        (order.executed.price,
                         order.executed.value,
                         order.executed.comm))
                    self.buyprice = order.executed.price
                    self.buycomm = order.executed.comm
                             
                else:
                     self.log('SELL EXECUTED, Price: %.2f, Cost: %.2f, Comm %.2f' %
                              (order.executed.price,order.executed.value,order.executed.comm))
                          
                self.bar_executed=len(self)
                
            elif order.status in [order.Canceled,order.Margin,order.Rejected]:
                self.log('Order Canceled/Margin/Rejected')
                
            self.order=None #写下:无挂单
        def next(self):
            self.log('Close,%.2f'%self.dataclose[0])
            if self.order: ## 检查订单是否处于待处理状态...如果是,我们不能发送第二个
                return
            if not self.position: #检查我们是否在市场上
                for m in [2, 4, 10, 12]:
                    if self.datas[0].datetime.date(0).month==m:
                        self.log('BUY CREATE,%.2f'%self.dataclose[0])
                        self.order=self.buy() #跟踪创建的订单以避免第二个订单
            else:
                for n in [1, 6, 8]:
                    if self.datas[0].datetime.date(0).month==n:
                        self.log('SELL CREATE,%.2f'%self.dataclose[0])
                        self.order=self.sell()
    

    进化回测

    import backtrader.analyzers as btanalyzers
    import backtrader.feeds as btfeeds
    import backtrader.strategies as btstrats
    
    if __name__== '__main__':
        cerebro=bt.Cerebro()
        cerebro.addstrategy(TestStrategy)
        cerebro.adddata(data)
        cerebro.addanalyzer(btanalyzers.SharpeRatio, _name='mysharpe')
    
        cerebro.broker.setcash(20000.0)
        cerebro.broker.setcommission(commission=0.001) 
        print(f'组合初始价值:%.2f'%cerebro.broker.getvalue())
    #     运行broker
        thestrats = cerebro.run()
        print(f'组合期末价值:%.2f'%cerebro.broker.getvalue())
        cerebro.plot()
        thestrat = thestrats[0]
    
        print('Sharpe Ratio:', thestrat.analyzers.mysharpe.get_analysis())
    

    回测结果如下所示:


    不出意外就要出意外了


    回测的具体买卖阶段如下,可以看出这样的回测结果,是不理想的,基本没有盈利,余额宝也没有跑赢。

    组合初始价值:20000.00
    2012-05-31,Close,2.26
    2012-07-31,Close,2.04
    2012-08-31,Close,1.93
    2012-10-31,Close,1.96
    2012-10-31,BUY CREATE,1.96
    2012-11-30,BUY EXECUTED, Price: 1.85, Cost: 1.85, Comm 0.00
    2012-11-30,Close,1.86
    2012-12-31,Close,2.20
    2013-01-31,Close,2.34
    2013-01-31,SELL CREATE,2.34
    2013-02-28,SELL EXECUTED, Price: 2.27, Cost: 1.85, Comm 0.00
    2013-02-28,Close,2.32
    2013-02-28,BUY CREATE,2.32
    2013-05-31,BUY EXECUTED, Price: 2.30, Cost: 2.30, Comm 0.00
    2013-05-31,Close,2.27
    2013-07-31,Close,1.95
    2013-09-30,Close,2.15
    2013-10-31,Close,2.12
    2013-12-31,Close,2.07
    2014-02-28,Close,1.93
    2014-03-31,Close,1.91
    2014-04-30,Close,1.91
    2014-06-30,Close,1.94
    2014-06-30,SELL CREATE,1.94
    2014-07-31,SELL EXECUTED, Price: 2.11, Cost: 2.30, Comm 0.00
    2014-07-31,Close,2.13
    2014-09-30,Close,2.22
    2014-10-31,Close,2.27
    2014-10-31,BUY CREATE,2.27
    2014-12-31,BUY EXECUTED, Price: 3.10, Cost: 3.10, Comm 0.00
    2014-12-31,Close,3.18
    2015-03-31,Close,3.63
    2015-04-30,Close,4.26
    2015-06-30,Close,4.03
    2015-06-30,SELL CREATE,4.03
    2015-07-31,SELL EXECUTED, Price: 3.46, Cost: 3.10, Comm 0.00
    2015-07-31,Close,3.46
    2015-08-31,Close,3.05
    2015-09-30,Close,2.90
    2015-11-30,Close,3.25
    2015-12-31,Close,3.40
    2015-12-31,BUY CREATE,3.40
    2016-02-29,BUY EXECUTED, Price: 2.67, Cost: 2.67, Comm 0.00
    2016-02-29,Close,2.62
    2016-03-31,Close,2.93
    2016-05-31,Close,2.90
    2016-06-30,Close,2.89
    2016-06-30,SELL CREATE,2.89
    2016-08-31,SELL EXECUTED, Price: 3.08, Cost: 2.67, Comm 0.00
    2016-08-31,Close,3.10
    2016-09-30,Close,3.04
    2016-10-31,Close,3.10
    2016-10-31,BUY CREATE,3.10
    2016-11-30,BUY EXECUTED, Price: 3.31, Cost: 3.31, Comm 0.00
    2016-11-30,Close,3.29
    2017-02-28,Close,3.20
    2017-03-31,Close,3.21
    2017-05-31,Close,3.24
    2017-06-30,Close,3.42
    2017-06-30,SELL CREATE,3.42
    2017-07-31,SELL EXECUTED, Price: 3.51, Cost: 3.31, Comm 0.00
    2017-07-31,Close,3.52
    2017-08-31,Close,3.61
    2017-10-31,Close,3.77
    2017-10-31,BUY CREATE,3.77
    2017-11-30,BUY EXECUTED, Price: 3.81, Cost: 3.81, Comm 0.00
    2017-11-30,Close,3.77
    2018-01-31,Close,4.01
    2018-01-31,SELL CREATE,4.01
    2018-02-28,SELL EXECUTED, Price: 3.78, Cost: 3.81, Comm 0.00
    2018-02-28,Close,3.77
    2018-02-28,BUY CREATE,3.77
    2018-05-31,BUY EXECUTED, Price: 3.52, Cost: 3.52, Comm 0.00
    2018-05-31,Close,3.57
    2018-07-31,Close,3.36
    2018-08-31,Close,3.18
    2018-08-31,SELL CREATE,3.18
    2018-10-31,SELL EXECUTED, Price: 2.98, Cost: 3.52, Comm 0.00
    2018-10-31,Close,3.01
    2018-10-31,BUY CREATE,3.01
    2018-11-30,BUY EXECUTED, Price: 3.00, Cost: 3.00, Comm 0.00
    2018-11-30,Close,3.04
    2019-01-31,Close,3.06
    2019-01-31,SELL CREATE,3.06
    2019-02-28,SELL EXECUTED, Price: 3.51, Cost: 3.00, Comm 0.00
    2019-02-28,Close,3.50
    2019-02-28,BUY CREATE,3.50
    2019-04-30,BUY EXECUTED, Price: 3.72, Cost: 3.72, Comm 0.00
    2019-04-30,Close,3.73
    2019-05-31,Close,3.48
    2019-07-31,Close,3.73
    2019-09-30,Close,3.70
    2019-10-31,Close,3.77
    2019-12-31,Close,3.98
    2020-03-31,Close,3.57
    2020-04-30,Close,3.80
    2020-06-30,Close,4.06
    2020-06-30,SELL CREATE,4.06
    2020-07-31,SELL EXECUTED, Price: 4.58, Cost: 3.72, Comm 0.00
    2020-07-31,Close,4.62
    2020-08-31,Close,4.74
    2020-09-30,Close,4.51
    2020-11-30,Close,4.89
    2020-12-31,Close,5.14
    2020-12-31,BUY CREATE,5.14
    2021-03-31,BUY EXECUTED, Price: 5.00, Cost: 5.00, Comm 0.01
    2021-03-31,Close,4.97
    2021-04-30,Close,5.05
    2021-05-31,Close,5.26
    2021-06-30,Close,5.17
    2021-06-30,SELL CREATE,5.17
    2021-08-31,SELL EXECUTED, Price: 4.81, Cost: 5.00, Comm 0.00
    2021-08-31,Close,4.80
    2021-09-30,Close,4.86
    2021-11-30,Close,4.84
    2021-12-31,Close,4.93
    2021-12-31,BUY CREATE,4.93
    组合期末价值:20001.73
    

    不敢相信的夏普比率

    Sharpe Ratio: OrderedDict([('sharperatio', -557.5313463920106)])
    

    在这里插入图片描述
    回测的买卖图如上。

    总结

    对A股的月份效应进行了探索,根据沪深300指数的模拟能够取得十分不错的收益,但是基于ETF基金的回测,则效果十分不理想。

    后续有待改进该思路。

    更多相关内容
  • 数据回归-市场摩擦对我国股票市场盈利效应影响--基于Fama--MacBeth回归方法.pdf
  • 从中证行业指数角度出发,利用该模型实证分析了欧洲主权债务危机背景下全球主要股票市场对我国股市的多渠道协同波动溢出效应。实证结果表明欧洲主权债务危机分多个渠道影响我国股市的不同行业指数的波动率,并且波动...
  • 投资者情绪对股票市场超额收益及波动的影响效应研究,薛丽丹,陈文静,本文选取沪深两市A股中股票换手率、新增开户数、A股成交量、个股回报率、消费者信心指数等指标作为情绪代理变量,运用熵值法改进�
  • 我国A股上市公司股票回购的市场效应及其影响因素金融研究.docx
  • 蝴蝶效应:美联储加息对股市、商品、债市的影响分析.doc
  • 短期国际资本流动对中国股市财富效应影响研究,周璇,姚小义,本文分析了股市财富效应的传导及短期国际资本流动对股市财富效应影响,并利用我国2006年-2016年的月度数据,首先建立变参数的状态
  • 本文通过基于“共同销售效应”理论描述市场状况的虚拟变量,测试了短期国际资本流动对股票市场和房地产市场互动的影响,结果表明“共同销售效应”确实在市场条件不好的情况下存在,但是在市场条件好的情况下无法...
  • 论文研究-欧美股票市场对我国股票市场的传染效应研究——基于次贷与欧债危机背景.pdf, 近年来,金融危机频频爆发且易表现出传染性,这使得金融传染引起国内外学者的高度...
  • 本文利用中国金融市场的数据,研究了货币,外汇和股票市场之间的联动和互动问题。 基于ICA-EGARCH-M模型,我们探讨了波动溢出效应,以说明整个金融市场的整体联动。 此外,为了观察多市场动态关系的变化过程,我们...
  • 通过扩展Modigliani的生命周期假说模型...研究结果表明,无论从长期还是短期来看,流通股市值是影响消费支出的最主要因素,股票市场的财富效应是收缩的财富效应,而房地产市场(住宅市场)的财富效应是扩张的财富效应
  • 个体投资者羊群效应对股价崩盘风险的影响研究,苏月婷,贾怀京,个体投资者在中国资本市场占比75.1%,其行为特征显著影响股市平稳发展。本文研究个体投资者羊群行为对股价崩盘风险的影响,基于酒�
  • 试析我国证券市场的羊群效应及其对策,王士才,孟伟萍,随着我国证券市场的不断发展,作为一种令人困惑的羊群效应也随之出现,并且在不同程度上影响着我国证券市场的稳定和效率。笔者结
  • 本研究使用Nifty 50,Nifty中盘50和Nifty小盘50指数的GARCH(1,1)研究了星期几和周末对指数收益的影响及其在印度股市的波动性。 研究期从2005年4月1日到2018年6月29日。该研究发现,有力的证据表明,在所有三个...
  • 本文通过实证研究探索了减持股票的信号效应,并发现对于那些销售增长的公司而言,高管们宣布的减价公告在信号传递中起着相当重要的作用。 本文将在某种程度上扩展信号理论的范围,并帮助监管机构更好地了解投资者...
  • 本文通过VAR模型和两个波动率指数之间的IRF,分析了一些宏观经济指标对美国和德国股票指数期权隐含波动率的“惊喜效应”。 结果表明,某些特定的宏观经济“意外效应”产生了重大影响,因此美国的汇率波动对德国产生...
  • 我国西部开发政策背景下股市联动效应研究,吴柯,杨静文,在文献综述的基础上,分析了西部开发政策影响股市联动的机理。选取上海证券交易所1996年1月-2013年3月全部A股上市公司为研究对象,结
  • 选取上证综指、标普500和日经225等股指数据进行实证研究,结果表明:相比于发生利好事件,美国和日本股票市场(独立或同时)发生更为严重危机事件对中国股票市场影响更加明显,呈现出"风险分担、收益不共享"的总体...
  • 汇率波动对股票市场影响研究,黄飞,李海奇,汇率制度改革以后,我国汇率市场化趋势逐步增强,汇率与股市的联动效应得到进一步地释放。一方面,我国不断扩大汇率浮动区间,对
  • 然后,对成熟市场与新兴市场这两个不同类型市场上投资者在投资决策过程中存在的处置效应与股票价格波动之间的关系进行实证研究和比较,发现资本盈利突出量与股票市场的波动负相关,对股市波动的持续性具有一定的解释...
  • 本文基于事件研究方法,对目标公司股票在中国A股市场发行的可交换债券的公告效应进行了实证研究。 结果表明,该公告发布后对市场产生了负面影响。 在活动日的前六天,异常收益显着为正,而在其他大多数日子中则为负...
  • 杠杆效应SV模型的沪深和香港股市特征比较分析,李文坚,尹居良,应用具有杠杆效应的随机波动率模型对沪深300指数收益率和香港恒生指数收益率进行模型构建,比较分析沪深股市和香港股市在波动长期
  • 货币供给与经济周期约束条件下货币政策在股市传导的效应时滞研究,郭海凤,高娜,新经济环境下股票市场日益成为成熟的货币政策传导渠道,本文提出了不可预期的货币供给量对股市影响最大的假设,并进行了实证分析
  • 股票型基金投资风格漂移及其对股市波动的影响研究,许林,,本文首先采用Fama&French三因素模型实证研究我国2005年7月之前成立的56只股票型基金投资风格的分布及其在不同股市行情下的风格漂移情况
  • 本文研究了收益率波动对五个新兴国家的股票市场指数,外汇市场和WTI原油市场的溢出效应。 在这里,三变量对角线BEKK-GARCH模型用于估计时变条件方差,并检验三个基础变量之间的收益率自身波动性溢出效应。 我们发现...
  • 我们使用国家股票交易所(NSE)的Nifty 500指数过去和现在的成分来提供印度市场波动影响的证据。 结果表明,就绝对和风险调整而言,由低波动率股票组成的投资组合优于由高波动率股票组成的投资组合和市场投资组合。 ...
  • 危机后国际资本对欧洲发达经济体股票市场影响,姚小义,陈幸妮,本文分析了欧洲发达经济体国际资本的
  • 在此背景下, 本研究分析了流入中国股市的国际证券资金流动的总体特征和行业板块特征, 并运用多元回归模型和面板模型从市场综合指数和行业板块指数两个角度实证研究了其对中国股票市场收益率的影响. 结论表明: 第一,...
  • 首先通过参数的变动构造了4653个投资组合模型池,选取了常用的等权重策略为基准策略,运用了均值、夏普系数和确定性等价三种比较准则,分别利用了中国股票市场的周度和日度数据进行了实证,研究结果表明资产配置中...
  • 采用价格加权贡献方法(WPC)和GARCH模型分析我国股指期货提前开盘和推迟收盘这两个阶段的价格发现功能和对股市现货市场影响。实证研究表明,这两个延长交易阶段皆具有显著的价格发现作用且提前开盘阶段的价格发现...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 6,983
精华内容 2,793
关键字:

影响股票市场的效应