中国股票市场的非线性特征及趋势研究

中国股票市场的非线性特征及趋势研究

论文摘要

当前,人们对股票市场的认识是建立在现代资本市场理论之上的,有效市场假说是现代资本市场理论的基础,有效市场以随机游走的前提,随机游走蕴涵着正态分布。然而,经过国内外学者的检验,资本市场并不服从正态分布,毫无疑问,这是对现代资本市场理论的巨大冲击。本文以我国股票市场数据为研究对象,运用非线性时间序列分析方法对其进行较为全面的实证研究,考察我国股票市场是否存在混沌现象。本文以上海股市综合指数和深圳股市成分指数为研究对象,数据区间为1996年12月16日到2006年12月30日,对时间序列进行对数线性去趋势平稳化处理,使最终用于非线性分析的时间序列数据为平稳序列。首先对指数时间序列进行定性分析,通过频数分布图,发现股市数据和正态分布之间存在较大差异;通过功率谱分析、主分量分析表明上证综指和深成指数时间序列均有非线性性质。在定性分析的基础上,对两个时间序列的非线性几何不变量进行计算。使用平均互信息法求得延迟时间和Cao法求得最佳嵌入维数,在此基础上使用GP算法计算关联维数和Kolmogorov熵,使用Wolf法计算最大Lyapunov指数。计算得到的上证综指和深成指数的关联维数分别为2.4151和2.5171;Kolmogorov熵分别为0.011和0.0075,最大Lyapunov指数分别为0.0096和0.0059。与常见运动形态的特征量比较分析可知,上证综指和深成指数时间序列有混沌现象。在上述分析的基础上,对股票市场的发展趋势进行研究,使用混沌预测的方法——Volterra级数自适应预测模型对指数时间序列进行短期预测,并与局域预测法和线性预测法的预测结果相比较,表明Volterra级数自适应预测预测结果较好,预测精度较高。

论文目录

  • 摘要
  • ABSTRACT
  • 1 绪论
  • 1.1 问题的研究背景及研究意义
  • 1.2 国内外研究现状
  • 1.2.1 国外研究现状
  • 1.2.2 国内研究现状
  • 1.3 本文的研究目的和研究内容及创新
  • 1.3.1 研究目的
  • 1.3.2 研究内容
  • 1.3.3 创新之处
  • 2 有效市场假说与混沌理论
  • 2.1 有效市场假说
  • 2.1.1 有效市场假说的产生与发展
  • 2.1.2 有效市场的理论基础
  • 2.1.3 有效市场假说的实证研究
  • 2.2 混沌理论
  • 2.2.1 混沌理论的产生与发展
  • 2.2.2 混沌运动的特点
  • 2.2.3 混沌与分形的关系
  • 2.2.4 混沌理论与金融市场
  • 3 中国股票市场的非线性特征分析
  • 3.1 数据处理
  • 3.2 中国股票市场的非线性分析
  • 3.2.1 频数分析
  • 3.2.2 功率谱
  • 3.2.3 主分量分析(PCA 分布)
  • 3.3 中国股票市场的非线性特征定量分析
  • 3.3.1 中国股票市场的相空间重构
  • 3.3.2 中国股票市场的关联维
  • 3.3.3 中国股票市场的Kolmogorov 熵
  • 3.3.4 中国股票市场的Lyapunov 指数
  • 3.4 本章小结
  • 4 中国股票市场的发展趋势分析
  • 4.1 混沌时间序列预测的理论基础
  • 4.2 混沌时间序列预测方法的分类
  • 4.3 自适应预测
  • 4.3.1 Volterra 级数自适应预测理论发展
  • 4.3.2 Volterra 级数自适应预测模型
  • 4.4 中国股票市场的 Volterra 自适应预测
  • 4.4.1 上海股票市场的Volterra 自适应预测
  • 4.4.2 深圳股票市场的Volterra 自适应预测
  • 4.5 中国股票市场的局域预测
  • 4.5.1 上海股票市场的局域预测
  • 4.5.2 深圳股票市场的局域预测
  • 4.6 中国股票市场的线性预测
  • 4.6.1 上海股票市场的线性预测
  • 4.6.2 深圳股票市场的线性预测
  • 4.7 本章小结
  • 5 结论与展望
  • 5.1 主要结论
  • 5.2 待研究的问题
  • 致谢
  • 参考文献
  • 附录
  • A. 在攻读硕士学位期间发表的论文目录
  • 相关论文文献

    • [1].基于非稳态时间序列的生理控制模型研究[J]. 系统工程理论与实践 2020(02)
    • [2].基于多样化top-k shapelets转换的时间序列分类方法[J]. 计算机应用 2017(02)
    • [3].时间序列趋势预测[J]. 现代计算机(专业版) 2017(02)
    • [4].基于分型转折点的证券时间序列分段表示法[J]. 商 2016(31)
    • [5].基于ARMA模型的股价预测及实证研究[J]. 智富时代 2017(02)
    • [6].《漫长的告别》(年度资助摄影图书)[J]. 中国摄影 2017(04)
    • [7].王嵬作品[J]. 当代油画 2017(07)
    • [8].基于模糊时间序列的计算机信息粒构建研究[J]. 粘接 2020(10)
    • [9].基于时间序列挖掘的合成旅装备维修保障能力预测[J]. 系统工程与电子技术 2020(04)
    • [10].风速时间序列混沌判定方法比较研究[J]. 热能动力工程 2018(07)
    • [11].土壤退化时间序列的构建及其在我国土壤退化研究中的意义[J]. 土壤 2015(06)
    • [12].基于信息颗粒和模糊聚类的时间序列分割[J]. 模糊系统与数学 2015(01)
    • [13].不确定时间序列的降维及相似性匹配[J]. 计算机科学与探索 2015(04)
    • [14].时间序列的异常点诊断方法[J]. 中国卫生统计 2011(04)
    • [15].基于独立成分分析的时间序列谱聚类方法[J]. 系统工程理论与实践 2011(10)
    • [16].面向不确定时间序列的分类方法[J]. 计算机研究与发展 2011(S3)
    • [17].一种基于频繁模式的时间序列分类框架[J]. 电子与信息学报 2010(02)
    • [18].超启发式组合时间序列预报模型[J]. 福建电脑 2020(08)
    • [19].基于深度学习的时间序列算法综述[J]. 信息技术与信息化 2019(01)
    • [20].基于时间序列符号化模式表征的有向加权复杂网络[J]. 物理学报 2017(21)
    • [21].基于互相关的二阶段时间序列聚类方法[J]. 计算机工程与应用 2016(19)
    • [22].基于期货市场行为的时间序列切分及表示方法研究[J]. 中国管理信息化 2015(19)
    • [23].基于形态特征的时间序列符号聚合近似方法[J]. 模式识别与人工智能 2011(05)
    • [24].基于模糊时间序列对我国对外贸易中的进口水平的预测[J]. 统计与决策 2010(23)
    • [25].模糊变量时间序列及其应用[J]. 辽宁工程技术大学学报(自然科学版) 2010(06)
    • [26].时间序列流的分层段模型[J]. 小型微型计算机系统 2009(04)
    • [27].发动机转速时间序列分形特征分析[J]. 机械科学与技术 2008(11)
    • [28].基于HDAD的异构航空数据异常检测的研究[J]. 计算机仿真 2020(03)
    • [29].重庆藕塘滑坡地下水位时间序列混沌性判别与预测[J]. 人民长江 2020(S1)
    • [30].基于能量过滤的不确定时间序列数据清洗方法[J]. 智能计算机与应用 2019(04)

    标签:;  ;  ;  ;  

    中国股票市场的非线性特征及趋势研究
    下载Doc文档

    猜你喜欢