一、成分股票价格指数编制模型的实证研究（论文文献综述）
牛晓健,章画意[1]（2021）在《中国金融市场基于宏观因子的资产配置策略研究》文中进行了进一步梳理随着我国金融市场的成熟,投资者逐渐认识到大类资产配置的重要性。本文梳理了海内外资产配置策略的研究历程和基于因子的资产配置理论,对基于宏观因子的资产配置策略进行了实践,构造了有良好绩效表现的策略组合。研究发现:首先,在中国金融市场,影响股票、债券、商品等大类资产收益的宏观因子为经济增长、利率、通货膨胀、汇率、信用,使用这五个宏观因子可有效解释大类资产收益。其次,基于宏观因子的资产配置策略在中国金融市场也是有效的,在因子层面进行风险配置的效果优于在资产层面的风险分散。本文的研究成果可为金融研究机构和市场投资机构提供借鉴参考。
樊鹏英,杨音,张正平,陈敏[2]（2021）在《个股投资者情绪与股票收益率的关系——基于股评信息视角的研究》文中研究指明基于东方财富网股吧中单只股票的股评信息采用文本挖掘法建立个股投资者情绪指数,探讨个股投资者情绪与股票收益率的关系,并进一步探讨市值大小不同、行业不同以及市态不同的情况下个股投资者情绪与股票收益率关系的异质性.实证结果表明:个股投资者情绪对股票收益率存在着显着的正向影响且影响周期较短,股票收益率也会引起个股投资者情绪正向变动但具有一定的时滞;公司流通市值越大,个股投资者情绪和股票收益率的相互影响程度越小;个股投资者情绪与不同行业股票收益率变动的关系存在异质性,行业内竞争程度越高,个股投资者情绪与股票收益率变动的相互影响程度越小;相比牛市来说,熊市中个股投资者情绪与股票收益率的相互影响更显着.
杨文杰[3]（2020）在《中国碳汇股价指数的编制及其功能分析》文中研究指明当前环境问题成为全球热点,全球都在探求经济转型之路,绿色经济、低碳经济逐渐被大多数国家重视。我国经济在高速发展的同时也成为了全球第二大的碳排放国,环境问题日益严峻,但是绿色经济的发展起步较晚,作为绿色经济的重要组成部分的碳交易市场于2018年才正式成立。而发展林业碳汇是实现绿色经济的必由之路,碳汇对于减缓气候变化的功能已受到全球的公认,碳汇的金融创新也迫在眉睫。本文在分析我国目前碳金融、绿色股票指数发展的国内外现状,结合国家支持绿色股票指数和碳金融创新的相关政策,基于股价指数编制的一般理论和方法,依据一定的原则和标准,选取了42支上市公司股票编制成碳汇42指数,并确定了碳汇42指数的修正、调整、新股上市、旧股剔除等下相关问题。并且对碳汇42指数的功能进行研究,着重分析了其投资功能。从增长速度与增长量、交易量与成交额、风险系数等方面对碳汇42指数进行了实证研究和分析。最后对碳汇42指数的实用性进行实证分析,将碳汇42指数的走势与上证综指、上证100、沪深300等指数的走势进行对比分析,分析结果表明碳汇42指数有较高的成长性且存在较大的投机机会、投资收益率相对较高。选取1991年8月到2018年4月的收盘数据,使用数据分析软件Eviews和spss对碳汇42指数与上证综指、深证成指的相关性进行分析,并且基于专家建模模型预测碳汇42指数的未来走势。结果表明,碳汇42指数与上证综指有较高的相关性,且上证综指是碳汇42指数变化的格兰杰原因,碳汇42指数与深证成指的相关性较低。基于专家建模的预测,从R方0.97来看预测效果结果,预测结果表明碳汇42指数在未来两年多呈现持续上涨的趋势,发展势头较猛,而上证综指则处于比较平稳的状态。
吕佩凌[4]（2020）在《基于复杂网络的指数复制策略》文中指出指数复制是通过特定的方法设计构造投资组合,对某一选定的目标指数走势进行复制,以获得和目标指数尽量一致的收益率的被动投资方法,指数复制通常被应用于指数基金产品的构造。一般的股票型基金产品或者股票投资由于对基金经理和投资者个人的操作依赖性较强,常常出现投资收益不佳,甚至小于市场平均收益的情况。因此越来越多的投资者,基于风险的考量,倾向于获取市场的平均收益,指数基金产品则贴合这一投资目标。加之投资者还可以利用指数基金产品进行对冲交易和套利,指数复制的产物也具有价格发现的功能。所以指数基金产品自诞生以来不断壮大,市场上指数基金产品层出不穷,截至2019年12月,国内指数基金规模达到1.19万亿元,比2018年底增加了4400亿元,增幅超过58%。在指数基金繁荣发展的大背景下,如何制定指数复制策略使指数基金拥有更好的市场收益复制效果,成为了学者们的关注重点,因此对于指数复制问题的探索具有重要的理论意义和现实意义。本文首先对指数复制的概念、方法、效果、影响因素及作用进行了相关说明,并在此基础上详细阐述了如何利用复杂网络解决指数复制问题。在策略设计上本文从分层抽样思想出发,拟从指数成分股不同的价格波动规律中选取最具影响力的成分股构建投资组合来复制指数走势。考虑到复杂网络拓扑性质在类簇中心点选取上优势,本文利用复杂网络刻画指数成分股价格波动的相似性,同时利用多层次优化的社区发现算法自动识别成分股间存在的类簇数目和合理的类簇结构,充分挖掘不同股票类簇的差异性,对指数复制问题中的的股票筛选方法进行了优化。在投资组合权重配置阶段,利用优化遗传算法求解全局最优解以获取最佳指数复制效果。本文选取沪深300指数对基于复杂网络的指数复制策略进行了实证研究,结果表明在同样选取25只股票进行指数复制时复杂网络方法的样本外区间跟踪误差仅为0.0028相比聚类方法和分层选样法缩小了22.2%和36.4%,通过对不同时段的滚动测试发现复杂网络方法相比其他两种方法具有稳定存在的优势,其样本外区间跟踪误差可以控制在0.55%以内,日均跟踪偏离度控制在0.45%以内,而复制精度的增量则稳定在0.5%以上。对于指数半年内波动幅度大于1000点的时段,复杂网络方法的样本外跟踪误差相较其他两种方法平均下降28%,不同时段的平均复制效果基本能够达到市场上被动型指数基金的复制目标,证明了复杂网络方法在解决指数复制问题中的可行性与相关优势,为指数基金的构造提供了有益参考。
刘凌云[5]（2020）在《燃煤发电项目双因素风险分析及期货对冲模型研究》文中研究表明燃煤发电项目是指以煤炭为燃料,正在规划、建设或已经投产运营的火力发电单元。由于煤炭燃料约占到火力发电生产运营成本的70%,我国煤炭产量70%以上用于发电,燃煤火力发电量又占到我国各类发电总量的70%以上,这“三个70%”的根本问题是煤炭。所以,从宏观层面上讲,国家以什么方式有效配置煤炭资源,如何高效利用煤炭资源,怎样调整能源结构,是摆在政府决策者们面前的重要问题;从微观层面上讲,我国煤炭价格购销市场化所引起的价格波动频次增加和波动幅度不断加大,给我国燃煤火力发电厂的正常生产经营带来了一定的影响,构成不容忽视的经营风险。认真研究煤炭市场供求关系变化规律及如何规避煤炭价格波动带来的经营风险是燃煤火力发电项目的规划、建设与运营必须考虑的重大问题。在国家供给侧结构性改革的政策纲领指导下,火电项目建设面临着硬约束。相反,新能源发电装机呈高速发展态势,水力发电对火力发电影响显着。但水力发电出功不稳定性,给燃煤火力发电项目功率稳定输出产生不可忽视的风险。本论文将煤炭价格波动、新能源发电替代及不稳定性对燃煤火力发电造成的冲击定义为双因素风险。本研究主要从如何利用动力煤期货工具视角深入研究化解双因素风险的对策与方法,从理论和实证两方面,深度探究煤炭价格波动、新能源发电变化与燃煤火力发电出功之间的经济理论关系和数量关系。在理论方面,采用价格波动理论较先进的状态空间模型理论,分析煤炭价格与燃煤火力发电之间、新能源发电与燃煤火力发电、煤炭价格与煤炭社会库存之间的关系特征,选择合适的状态空间模型类型,构建了完善分析模型:实证方面,通过收集了十年以上的煤炭价格指数、煤炭社会库存、新能源发电及燃煤火力发电量的历史数据基础上,经过严谨的经济计量分析,构建了四大计量经济理论模型,检验了双因素风险分析及期货对冲策略诸经济模型的正确性。本论文根据状态空间模型理论和金融期货理论,构建了燃煤火力发电项目煤炭现货和期货库存最优比例模型、双因素风险期货对冲模型。这些模型,为燃煤发电项目运营有效利用煤炭期货对冲策略提供了理论基础。根据状态空间模型理论,量化分析我国煤炭价格、新能源发电与煤炭社会库存及火力发电量之间的数量关系,以此研判煤炭价格走势、煤炭社会库存变化、煤炭火力发电变化情况,合理安排煤炭库存,以及煤炭实际库存与虚拟库存比例关系,并在煤炭期货市场上开展套期保值交易,达到规避煤炭价格波动风险和降低生产经营成本的目的。基于上述思想及思路,研究内容具体包括以下五个主要部分:（1）燃煤发电项目双因素风险的成因。本研究查阅了大量的文献资料并结合生产实际,深入分析了燃煤发电项目建设与运营中面临的经营管理问题,认为我国煤炭购销市场化而加剧了煤炭价格的波动,给煤炭消费和生产者带来了很大的经营风险,随后分析了引起煤炭价格波动的诸多因素及深层次的原因;同时研究了新能源发电替代及出功不稳定性对燃煤火力发电产生的冲击及原因分析,准确定义为“双因素”及“双因素风险”,为论文展开研究奠定了逻辑基础。（2）对本研究起到支撑作用的相关基础理论综述。把经济波动理论及价格波动理论引入到煤炭现货市场、期货市场价格波动分析中;根据经济滤波理论,对经济变量进行滤波整理,为得到构建模型所需要的数据提供了处理分析方法;运用协整理论实证分析了模型的正确性;期货套期保值理论,为本论文研究的核心问题——期货对冲策略模型提供理论支持;状态空间模型理论是本论文主要模型构建的理论依据和技术手段。（3）双因素风险识别及影响要素研究。应对风险必须准确分析风险源问题,本论文从供给和需求两个方面进行风险分析,在供给方面,煤炭价格波动是主要因素,影响很大;在需求方面,对煤炭火力发电量影响较大的因素中,就波动性而言,新能源发电的不稳定性,是主要因素。本论文将煤炭价格波动和新能源发电不稳定性这两个变量风险定义为煤炭火力发电项目运营中的“双因素风险”。（4）构建燃煤发电项目双因素风险期货对冲模型。依据模型构建的总体思路,运用状况空间模型理论,针对煤炭价格与燃煤火力发电之间的关系特征、新能源发电与燃煤火力发电之间关系特征,构建了煤炭价格对火力发电量影响的理论模型及煤炭价格对库存影响模型,新能源发电量变化对燃煤发电量影响的理论模型,建立了煤炭现货实际库存与虚拟库存理论模型,得到了双因素风险期货对冲模策略模型。（5）模型实证研究和燃煤火力发电项目案例应用分析。建立“煤炭价格波动与火力发电量变动”、“新能源发电不稳定与火力发电量变动”、“煤炭价格波动和新能源发电不稳定与火力发电量”、“煤炭价格波动与煤炭社会库存量”的实证模型。最后选取了江苏某火电项目案例,验证了本论文分析方法及模型应用的合理性及有效性。为我国燃煤火力发电项目运营中开展类似业务提供了理论依据和实操指导。
葛宇晨[6]（2020）在《引入经济政策不确定性的波动率预测模型 ——基于投资者情绪的视角》文中研究指明当前我国宏观经济环境越来越复杂,且我国市场经济十分依赖政府的导向,因此经济政策不确定性的上升会使金融资产的波动率增大,反映在股票市场上会出现股价暴涨暴跌。而我国股票市场异质性严重、散户众多,投资者情绪对股票市场价格的波动也具有重大影响。本文基于我国投资者情绪的异质性,建立考虑经济政策不确定性指标的波动率预测模型,以提高已实现波动率模型预测结果的精确度,具有一定的理论意义和实用价值。本文从15个投资者情绪代理指标中筛选出6个主要指标。利用主成分分析法、状态空间模型和卡尔曼滤波法构建投资者情绪综合指标,经检验本文构建的指标具有显着的优越性。此外本文利用以往学者编制的财政政策不确定性指数（FPU）和货币政策不确定性指数（MPU）,将FPU和MPU指标加入到HAR-RV模型中得到HAR-RV-FPU和HAR-RV-FPU-MPU模型。再将构造的投资者情绪综合指数（SENTF）作为虚拟变量,构造考虑投资者情绪后的HAR-RV（S）、HAR-RV-FPU（S）和HAR-RV-FPU-MPU（S）模型。最后利用2014年1月1日至2017年12月31日上证综合指数的高频数据作为样本内数据,利用2018年1月1日至2018年12月31日上证综合指数的高频数据作为样本外数据,对样本内和样本外数据进行回归检验,分析加入财政政策不确定性和货币政策不确定性指标后是否能增强模型的预测能力以及考虑情绪变量后模型的预测效果。为了检验模型预测的稳健性,还进行了波动率绝对值、金融危机期间以及不同细分行业模型的预测效果检验。研究发现:（1）财政政策不确定性与货币政策不确定性的显着性有所差异。财政政策不确定性对长期波动率的预测影响显着,而货币政策不确定性对中短期的波动率影响显着。（2）加入投资者情绪虚拟变量后的模型拟合效果均更好,考虑投资者情绪因素后模型的预测能力更强,可见我国股票市场存在一定的异质性。（3）经检验货币政策不确定性和财政政策不确定性与股票市场波动率之间的相关系数出现“跳跃现象”,即相关性系数由正转负,考虑投资者情绪后经济政策不确定性与股票市场波动率呈显着负相关的关系。
李兴有[7]（2020）在《基于人工智能的量化多因子模型的拓展及在中国股票市场上的应用》文中提出量化投资主要基于数学的方法完成投资的决策和实施,而且其中往往伴随着计算机技术的参与。量化投资的理论、策略以及实践在金融环境成熟的海外投资市场已经发展多年。伴随着近年来人工智能技术的再度兴起,各种新技术、新模型和高性能的计算机也与量化投资的结合越来越紧密,并且相关的概念和研究也逐渐被越来越重视。量化投资具有很多特点:首先是严格按照数理结果做出投资决策。在量化投资中决策的依据是模型的结果,而不是投资者的感觉。量化投资很好的克服了传统投资方式下人性缺陷带来的不足,每一次的投资决策所有的行动理由全部基于严密的数学计算结果。其次量化投资可以做到高效、严密的处理分析数据。传统的投资方法面对当今信息时代爆炸性增长的数据,难以做到全面、缜密和具有逻辑的分析处理。而量化投资模型可以很快速的处理成千上万关于投资的信息,最新的人工智能算法又可以在复杂的各种信息中理清关系构建评估体系,可以说基于计算机技术的量化投资可以看到传统的投资方式难以看到的信息。最后量化投资可以做到从金融数据中发掘价值。从最初的统计套利,根据统计学的原理在具有相同性质的股票之间寻找价差,到之后基于概率和历史数据挖据模型,量化投资利用数学知识建立起完全有别于传统定性投资的方法,并不是只简单的借助股票基本性质来作为分析的手段。本文关注于量化投资策略中的多因子模型,借助人工智能技术对其进行拓展,具体的主要工作有:首先,在投资领域中量化投资策略占据着主导,量化投资策略的核心在于根据因子与收益和风险之间的关系来配置资产组合。因此提升资产配置效率的核心就在于对因子模型的不断改进,本文提出利用Elman神经网络来预测多因子模型中的因子,这种处理方法可以取得相较于传统的量化多因子模型更好的结果,文中以2017年2018年的8个季度数据为样本,首先检验了多因子模型的效果,结果表明多因子模型在中国证券市场中具有显着的效果。同时通过对比实验证明,未来一期的因子在建立资产配置组合时效果优于用当期因子预测资产未来的收益。而在预测未来一期因子方面,传统的线性回归模型对于数据要求较多,必须满足平稳或协整等条件。本文中通过检验表明因子数据无法满足相关要求。因此文中提出利用非线性的Elman神经网络来预测因子的未来走势,实验结果表明Elman神经网络预测出的因子可以起到一定的作用,并且将预测因子和原有的多因子模型相结合可以获得显着的优于原有模型的效果,该方法拓展了资产配置的途径,提升了资产配置的效率。其次,本文研究了宏观经济因子在多因子选股模型中的应用,在传统的多因子模型中,必须首先依靠Fama-MacBeth回归检验因子的有效性,当因子无法完成有效性检测时,则认为在传统的框架下无法建立起因子与股票收益率之间的关系,进而宏观经济因子不能应用于多因子选股模型。但是有些宏观经济因子与股票收益率之间存在关联是符合经济学研究的,因此本文提出为了更好的刻画二者之间的关系,可以在线性模型不能建立起二者之间关系的情况下,利用基于神经网络的非线性模型来研究宏观经济因子与股票收益率之间的关系,实验表明添加了宏观经济因子的神经网络模型能够更好的拟合股票收益率,更进一步本文依靠神经网络模型的预测结果作为评分依据建立多因子选股模型,实验表明神经网络模型选出的投资组合在收益率表现上显着优于传统方法,并且添加了宏观经济因素的多因子模型表现更为优异,这更进一步证明了宏观经济因子对于股票收益率的影响。最后,Smart Beta投资策略是基于Alpha策略和Beta策略相结合的一种投资策略,其核心是在跟踪指数的同时改变指数的权重确定方式。传统的指数和Beta策略在编制指数时大部分以成分股的市值、成交量等权重确定方式为依据。而Smart Beta策略则根据Alpha因子作为权重编制的依据。本文首先依据Smart Beta策略的构建方法,依据公司质量因子和等权重法分别对所跟踪的指数进行了构建,并比较了在Smart Beta策略下的两种权重确定方式的表现优劣。在对比中可以看出,不同的指数适合不同的权重确定方法。因此本文提出基于人工智能算法的分类功能来预测指数适合的权重确定方法。然后分别验证了BP神经网络和线性层模型对于指数适合权重方法的预测,结果表明人工智能算法对于分类不同的指数和其权重确定方式起到了一定作用。
王晓霞[8]（2020）在《基于成长性的多因子选股模型的中国A股量化投资策略研究》文中提出量化投资是人类根据以往的历史数据在金融学的基础上运用数学和统计学的知识经过严格的研究后建立数量模型得到的交易策略。相对于传统的证券投资,量化投资更加的客观,且具有一定的规则性和固定性,逐渐成为重要的投资工具之一。本文就如何针对成长型股票构建量化投资策略进行具体研究。多因子选股模型是量化投资中的一种重要模型。基于多因子选股模型本文构建了一个两阶段的选股模型:第一阶段,主要内容是基于股票的成长性筛选出300只成长股并编制成长300风格指数。该阶段从股票的成长性角度切入,在候选的成长因子中,用组合试验及分组验证的方式选取过去三年每股盈余（EPS）增长率和过去三年每股销售额（SPS）增长率作为成长因子组合后,采用综合Z值评分的方法从中国A股市场全部股票中选出300只成长股。之后,参照沪深300指数的编制方法,以成长300股作为成分股编制成长300风格指数,将其与沪深300指数作对比,发现成长300风格指数具有较好的表现。第二阶段,主要内容是基于成长300风格指数进行深入优化选股并制定Alpha套利策略。该阶段以成长300风格指数的成分股为股票池,考虑到其他影响股票收益的因素,用支持向量机分类算法进行深入优化选股,选取300只成长股中被预测为强势股的概率最大的50只股票。将300股按概率大小分为六组,通过分组比较的方式,验证了该模型具有区分强势股和弱势股的能力。之后,为了降低风险,进行Alpha套利,将深入优选50股与沪深300股指期货进行对冲。通过本文构建的选股模型制定的投资策略,在2013年5月至2018年4月达到25.91%的年化收益率,夏普率为1.5335,是一个表现优秀的策略。
沈艳[9]（2019）在《经济政策不确定性对我国资本市场的影响研究》文中提出随着全球经济一体化的发展,各国资本市场已紧密联系在一起,蝴蝶效应加剧,回顾每次资本市场的重大波动,经济政策都在其中发挥着不可忽视的作用,经济政策不确定性的研究也日益成为理论和实务界关注和研究的重要课题。从世界范围看,金融危机发生的频率和间隔日益增多和变短,化解和防范系统性金融风险成为我国金融监管部门的首要任务。在目前全球金融体系面临重构的背景下,深入研究经济政策不确定性的内在规律,不仅是学术研究发展的需要,更有助于我国在全球范围内率先制定正确的、有利于确定竞争优势的经济政策。在理论研究上,国外对于不确定性的研究很早就开始了,尤其自斯坦福大学Baker等教授编制出经济政策不确定性指数以来,各种研究以此指数为基础,在宏观和微观领域都对其影响进行了研究。近年来借助于量化技术及大数据的应用,经济政策不确定性对资本市场的影响研究又可以向前一步,本研究选取资本市场中最为重要的股票市场和债券市场进行研究,通过梳理经济政策不确定性对资本市场影响的传导机制,并通过实证分析,考察经济政策不确定性对股债市场及其相关性的影响。首先,本研究考虑了包括美国、英国在内的8大经济体的经济政策不确定性的交互影响,同时加入了宏观经济变量变动的波动率数据,使用神经网络模型,重新构建了针对中国市场的经济政策不确定性综合指数（EPUnew）。此指数的优势主要体现在三个方面:第一,经济政策不确定性综合指数具有全球化特征,在其构建过程中采用了美国、加拿大、英国、法国、德国、意大利、日本、俄罗斯、中国大陆和中国香港的10类新闻媒体数据,最大化程度的反应了世界经济体影响我国经济政策不确定性的指标;第二,神经网络模型具有良好的非线性特征,相比传统模型,神经网络模型在进行特征提取时遗漏的有效信息更少,变分自编码模型作为无监督模型的典型代表,相比主成分分析具有信噪比高,拓展性强等诸多优点;第三,经济政策不确定性综合指数（EPUnew）对中国宏观经济有更显着的影响,相比Baker等编制的指数,经济政策不确定性综合指数（EPUnew）体现出对国内各项宏观经济指标更强烈的影响作用,诸如在工业增加值、市场波动和景气预期等方面表现出更显着的脉冲冲击响应。其次,本研究使用新构建的经济政策不确定性综合指数（EPUnew）研究了经济政策不确定性对我国股票市场的影响。和现有文献相比,本文进一步关注经济政策不确定性对中小市场和子样本时序区间的影响,发现政策不确定性对股市波动存在长期正向影响,经济政策不确定性越大,市场情绪越不稳定,股市波动越大,且表现出明显的时效性。经济政策不确定性作为宏观因子,相对个股而言其主要影响的是整体资本市场,系统性风险是不确定性主要的传导渠道。虽然经济政策不确定性与市场波动周期基本保持了一致,但在部分区间,尤其是2016年“股灾”发生后出现了不一致的情况,“股灾”后的市场长期处于低迷状态,在此期间国家出台了诸多财政、货币等经济政策,但对资本市场的影响出现了与常识相违背的情形。本研究进一步研究了经济政策不确定性对股票市场波动的预测能力,构建了具有宏微观控制变量的经济政策不确定性预测模型,对中国A股市场在全样本周期（2002-2017年）和子样本（2008-2017年）中经济政策不确定性的预测能力进行了分析,并得到了显着的预测结果（分别在5%水平内和10%水平内显着）。通过对整体市场细分,进行了一级行业的实证预测,结果发现除电信行业外,EPUnew的预测能力同样显着,经济政策不确定性对金融行业的影响最大。在样本外稳健性检验中,使用了调整后的均方预测误差法（MSFE-adjust）检验其显着性,发现经济政策不确定性对全行业及包括材料、工业、消费、金融和房地产行业在内的各行业均存在显着的样本外预测能力（同基准模型对比）。再次,本研究对经济政策不确定性对我国债券市场的影响进行了研究。债市相较于股市整体波动较小,经济政策不确定性主要通过直接影响市场情绪和对实体企业的影响进行传导。首先,研究了中国经济政策不确定性对中国债券市场尤其是国债和公司债长期波动的影响,用上证国债指数和公司债指数作为中国国债和公司债市场的代理变量,同样使用单因子混频波动方法（Garch-Midas）引入对应频度的经济政策不确定性EPUnew指标来分析中国债市波动长期成分的影响机理,结果表明,中国经济政策不确定性指数与债市长期波动呈现正相关关系,不确定性增大时,债券市场波动随之扩大。相对于国债,经济政策不确定性波动率对公司债的波动影响更为明显,这与公司债中民营企业占比较多,受整体宏观环境影响波动较大有关。经济政策不确定性的增加会增大债券市场的波动性,通过分析马尔科夫区制转换模型得到市场处于较大波动的状态下,经济政策不确定性对市场风险存在较大影响,信用利差变大;而在市场波动较小的状态下,经济政策不确定性对市场仍存在正向影响,导致信用利差变大,但幅度不如状态一。当经济政策不确定性增大时,债券市场中的国债由于其政府背书的性质基本不受影响,而由于担忧行业受政策影响投资者对企业的未来盈利预期受挫,企业债收益会降低,而信用利差反映了上述两者之间的差别,因而其波动主要跟随受影响更大的企业债。在此基础上,进一步分析了经济政策不确定性对债市超额收益的影响,与波动类似,债券超额收益常受到宏观变量的影响而变化,在已有研究基础上设定控制一年期存款利率（RF）,通货膨胀指标（CPI）,市场流动性指标（LIQ）和利率期限结构中的斜率（SLOPE）等传统宏观变量,发现经济政策不确定性对国债和全债市场超额收益具有显着影响。随着经济政策不确定性的增大,国债市场长短期债券超额收益在减少,其中长期国债收益降低要高于短期国债,以中债新综合财富指数WI代表全债市场,不同于国债,经济政策不确定性对WI的预测系数为正,表明随着经济政策不确定性的增加,WI相对于基准债券（一年期国债收益）的超额收益也在增加,最后重新考虑经济政策不确定性对相同期限中债综合财富指数和国债的收益差预测情况,实证结果表明经济政策不确定性对不同期限债券的超额收益预测系数基本保持不变,没有呈现明显的单调变化,表明EPUnew对不同期限债券信用风险的影响接近。最后,本研究从单一市场角度上升为股债两市相关性的影响分析。作为我国资本市场中的两个大类,股市和债市整体上反映了我国经济的趋势,而两者的相关性常常能反映出经济的阴晴和市场的情绪。本文使用了上证综指和上证国债的2003年1月至2018年5月的日度数据,利用Dcc-Garch模型得到两市的动态条件相关系数（ADF检验表明其为平稳过程,J-B检验拒绝其正态分布的假设）,接着使用Garch-Midas模型来分析经济政策不确定性指数对两市相关性的影响,发现基于经济政策不确定性水平值和波动值的模型估计结果均表明经济政策不确定性与相关系数具有正向的关系,即经济政策不确定性水平值或波动值增大时,市场相关性的波动增大。在分析经济政策不确定性对相关性水平影响时,采用了马尔科夫区制转换模型,通过对市场状态进行划分,发现在市场整体“活跃”的状态下,经济政策不确定性增大将导致市场相关性的降低（由正到零再到负）,体现了当外围宏观环境不稳定时资产的避险情绪加重,资金从一个市场流向另一个市场。在“非活跃”期时,经济政策不确定性与两市相关系数长期值同样呈负相关,表明政策不确定性对市场的影响变小,两个状态的结果均表明了资金对于外围环境的灵敏性和避险性。进一步分析影响的机理,由于新颁布的政策对行业的影响存在波动,企业融资成本上升,资金对于存在较高风险的股票市场进行回避而涌入了相较稳定的债券市场,因而会出现股跌债涨的情况,两者相关性降低。因此可以得出结论,中国经济政策不确定性的降低会引致中国股票市场和国债市场之间的相关性增加。本研究的创新之处主要有三点:（1）编制了适宜中国市场的中国经济政策不确定性指数。采用机器学习的方法,首次基于神经网络模型的变分自编码模型（VAE）进行信息降维和特征提取,构建了适宜中国市场的中国经济政策不确定性指数。并对中国资本市场进行实证分析时使用了Baker等编制的中国经济政策不确定性指数CEPU进行了稳健性检验,发现在全样本期,经济政策不确定性综合指数EPUnew在解释股票、债券市场波动收益和两市相关性波动上均高于BAKER等编制的中国经济政策不确定性指数CEPU,而在后金融危机时期（2009-2017）,不包含世界经济政策变动信息的CEPU解释力急速下降,甚至表现为不显着,而经济政策不确定性综合指数EPUnew依然保持对市场优秀的解释能力。相比原有量化指数,经济政策不确定性综合指数EPUnew更能反映出经济不确定性对中国市场的扰动和影响。（2）在研究方法上的创新应用。本研究根据究目的不同使用了不同的研究模型,比传统研究方法具有更好的创新性和合理性。第三章使用机器学习-神经网络模型方法进行数据处理,稳健性检验中使用了向量自回归模型和脉冲冲击响应分析;第四章针对波动特征应用了Garch-Midas模型提取长期波动和短期波动,并在经济政策不确定性对市场波动预测过程中使用添加了控制变量的线性回归模型,样本外分析中采用均方预测误差MSFE模型;第五章债券市场收益预测考虑到不同时期市场表现的差异使用了马尔科夫区制转换模型,并尽可能的将特殊子区间划分出进行独立研究;第六章股债相关性分析中考虑到了相关系数的动态变化。（3）研究内容上的深入整合。本研究首次将中国股票和债券两个资本市场结合进行研究,并分析经济政策不确定性对市场影响的联动效应,从多个层次、逐步递进的阐述了经济政策不确定性对中国资本市场的影响,构建了经典的收益和波动研究模型,选取了重要的几个股债交易市场,基本涵盖了中国资本市场的主体部分,分析结果显着;本研究发现的影响规律和传导过程也可以作为政策改进的措施和建议,如经济政策不确定性对不同行业组合波动具有不同的影响程度,监管层在施行经济政策时可以充分考虑对不同行业的作用强度而选取最优的实施路径,经济政策不确定对各区块股票收益均有负向影响,因此政府在稳定市场时要尽量减少政策干预。
郑超[10]（2019）在《投资者行为、股市泡沫与我国金融安全研究》文中提出中国资本市场正不断壮大,结合着不断提高直接融资比例等积极政策引导,直接金融市场与间接金融市场的业务比例将不断得到优化。因此,在我国的现在和将来,资本市场已经成为并将继续作为金融市场的重要组成部分。党的十九大报告指出,新时代背景下未来数年我国经济发展的关键就是紧扣高速增长阶段转向高质量增长阶段的总要求,以推进供给侧结构性改革为主线,打好防范化解重大风险等三大攻坚战。其中,“重大风险”首先指的是经济和金融风险,而资本市场风险也是金融风险组成中的重要一环。资本市场安全的重要性在于,首先资本市场安全是国家金融安全的重要组成部分,资本市场不安全,则很难讲金融系统是安全的;其次在于现代经济金融体系中,不同部门间分工与紧密协作的机制决定了风险都是相互传染的,资本市场的风险很容易扩散传播到其他行业和部门,导致系统性金融危机乃至经济危机。资本市场投资者行为、资产价格行为、价格泡沫、金融风险与金融安全,都是相互联系、相互作用的重要研究对象,在我国资本市场发展日益迅速、市场风险愈发突出的背景下,资本市场过度波动风险进而影响金融安全的问题就是一个非常重要的研究课题,有必要厘清其内在作用机制,用整体观、系统观的思想分析问题,得到更有现实意义的研究结论。本研究运用规范性分析和实证分析相结合的研究方法着重描述微观层次上各个投资者有限理性的决策行为,在中观层次上造成了股票市场的过度波动性风险,而风险的传染效应会导致宏观层面的国家金融安全、甚至国家安全状况受到影响,最终提出相对应的政策建议,以反映当前我国资本市场迅速发展并成长为国民经济重要组成部分的现实与趋势。本文的基本研究结论有:一是以系统观为指导,在详细梳理相关研究文献的基础上,建立一个简单的三异质投资者价格博弈的股市模型,验证股市温和型、扩张型和爆炸型泡沫的产生条件;从经济安全、银行与保险业安全、资本市场安全和货币安全四个层次概括了金融安全的影响因素,认为股市泡沫的膨胀与破裂,影响的是资本市场安全,进而也会作用于金融安全。二是对包含基本面投资者、技术面投资者、情绪投资者和被动投资者的人工股票市场进行了仿真,分析了股票价格趋势、收益率及投资者仓位、账户收益率的情况,结果表明,当市场中被动投资者数量较少,或基本面投资者数量较少,或情绪投资者数量较多时,容易发生股市泡沫,不过,情绪投资者过少时容易出现流动性风险,进而股价崩盘。对风险传染的仿真表明,如果任由危机传染,则很可能会诱发全系统的金融风险;在监管层及时介入后,可以扭转危机传染的进程,将金融风险控制在不扩散状态,维护社会金融安全。从干预效果来看,救助策略要优于免疫策略。三是以托宾Q值法、泡沫系数法衡量了股价偏离基础价值的程度,结果有合理之处,尤其是泡沫系数法,但该两种指标过于单一,容易遗漏重要信息;以GSADF法研究了单纯从股价自身波动特征出发的泡沫情况,成功捕捉到了我国股市2006-2007、2014-2015两段较大的泡沫行情,给出了明确的泡沫程度和泡沫时间的提示,该方法的缺陷在于其递归算法对2009年股市翻倍行情的泡沫程度提示不足、对2018年股市不断下行期间的泡沫水平提示偏高,因此有失偏颇;利用包括基础价值和投资者行为指标、股价波动指标在内的系列指标,以主成分法提取构造股价泡沫指数,表明我国股市共经历过四段泡沫较严重的时期,并且该指数显示我国股市2014-2015年间泡沫程度要高于2006-2007年,有力揭示了2014-2015年A股牛市为杠杆牛、脱离基本面支撑的实际情况,实证效果较其他模型好;研究股价泡沫破裂阶段往往伴生流动性风险的特征,发现流动性指标是波动性指标的格兰杰因,样本期内VAR模型的估计参数表明滞后1阶的流动性指标对波动性指标的影响系数为正且显着,滞后2阶的指标系数为负且显着,这为市场流动性风险管理的必要性和重要性提供了实证证据。四是以股市泡沫实证与测度为基础,继续对我国金融安全状况作出了评价,从经济系统安全、银行与保险业安全、资本市场安全和货币安全四个维度选取GDP增长率等11个初始指标,并运用主成分分析方法从中提取5个主成分,编制我国金融安全指数。结果表明,样本期间我国金融安全指数大致经过了五次方向一致的波动,每一阶段金融安全指数的表现都有着主力经济指标的推动,同时也有着深刻的经济背景;进一步地,以股市泡沫指数代表泡沫水平,以金融安全指数代表我国金融安全水平,建立了马尔可夫区制转换模型（MSIH（3）-VAR（3））,考查了两者之间的动态关系,结果表明,模型相关参数显着,具备明显经济意义:股市泡沫水平是我国金融安全水平的格兰杰因,股市泡沫指数是金融安全指数的领先指标,先带来安全指数的上升,随后滞后2阶时会导致安全指数的下降,脉冲响应函数的结果也印证这一结论,总的来看,我国金融安全状态在区制2（轻度不安全）和区制3（安全）的停留概率较大,区制1（严重不安全）的持续期大概仅有其余区制的一半,说明整体金融安全程度尚属可控。五是提出了坚持以系统观为指导、推动科学有效市场监管、不断完善法律基础设施、建设股市长效发展机制等对策建议,以优化市场监管,防范与化解可能导致金融不安全的风险。本文的创新之处主要在于:第一,提出了新的金融安全研究视角。以投资者行为作为出发点,为资产泡沫寻找微观依据,并由资产价格泡沫破裂风险引出金融安全问题。第二,构建了更加贴近市场实际的全新的股价波动系统动力学模型。第三,首次实证检验了股价泡沫对我国金融安全状况的影响,并得到了股价泡沫影响金融安全的确定结论。第四,本研究讨论了股市泡沫影响金融安全的微观机制和时滞效应,在实证检验基础上提出的政策建议对科学地进行市场监管有一定启发。
二、成分股票价格指数编制模型的实证研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、成分股票价格指数编制模型的实证研究（论文提纲范文）
（1）中国金融市场基于宏观因子的资产配置策略研究（论文提纲范文）
| 引言 |
| 一、文献综述 |
| 二、基于宏观因子的资产配置理论 |
| (一)模型框架 |
| 1.选择宏观因子 |
| 2.确定大类资产的因子暴露 |
| 3.确定投资组合的目标因子暴露 |
| 4.根据目标因子暴露确定投资组合 |
| (二)因子构造方法 |
| 1.真实宏观因子 |
| 2.潜在宏观因子库 |
| 3.资产因子 |
| (三)资产组合构造方法 |
| 1.风险平价组合 |
| 2.结合机器学习的风险预算组合 |
| 3.最小因子风险组合 |
| 三、因子构造实证结果 |
| (一)主成分分析结果 |
| 1.第一主成分：经济增长因子 |
| 2.第二主成分：利率因子 |
| 3.第三主成分：通货膨胀因子 |
| 4.第四主成分：汇率因子 |
| 5.第五主成分：信用因子 |
| (二)宏观因子构造结果 |
| 1.经济增长因子 |
| 2.通货膨胀因子 |
| (三)大类资产的因子暴露 |
| 四、资产配置策略回测结果 |
| (一)风险平价策略 |
| (二)结合机器学习的风险预算策略 |
| (三)最小因子风险策略 |
| (四)参数敏感性检验 |
| 五、结论与展望 |
（3）中国碳汇股价指数的编制及其功能分析（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第一章 前言 |
| 1.1 研究背景和意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究的目的和意义 |
| 1.2 研究方法与创新 |
| 1.2.2 研究方法 |
| 1.2.3 论文可能的创新点和展望 |
| 第二章 理论回顾 |
| 2.1 相关理论 |
| 2.1.1 绿色股票指数理论 |
| 2.1.2 股票价格指数编制理论 |
| 2.2 研究综述 |
| 2.2.1 国内外碳汇金融的发展现状及问题 |
| 2.2.2 国内外绿色股票指数的研究 |
| 2.2.3 股票价格指数的特征与功能研究 |
| 第三章 碳汇股票指数的编制 |
| 3.1 碳汇股票指数编制的相关理论 |
| 3.1.1 碳汇指数编制的原则 |
| 3.1.2 碳汇指数编制的方法与计算公式 |
| 3.1.3 碳汇指数编制的流程和关键要素 |
| 3.1.4 自由流通量理论与权数理论 |
| 3.1.5 新股上市计入指数的问题 |
| 3.2 样本股的选取 |
| 3.2.1 样本股的选取原则 |
| 3.2.2 样本股的选取标准 |
| 3.2.3 选取样本股应特别注意的问题 |
| 3.3 样本数据的收集与整理 |
| 3.3.1 上市公司的基本信息数据 |
| 3.3.2 上市公司历年交易相关数据 |
| 3.4 碳汇股票指数基点与基期的确定 |
| 第四章 碳汇股票指数的调整与修正 |
| 4.1 股票指数调整原则 |
| 4.1.1 确定指数调整方法 |
| 4.1.2 设定指数调整日 |
| 4.2 股票指数的修正 |
| 4.2.1 指数修正的原因及重要性 |
| 4.2.2 指数修正方法与公式选取 |
| 4.2.3 确定指数需要修正的情况和方法 |
| 4.3 新股纳入与旧股剔除的处理 |
| 第五章 碳汇股票指数的投资功能研究 |
| 5.1 碳汇股票指数的功能介绍 |
| 5.1.1 基准功能 |
| 5.1.2 投资功能 |
| 5.1.3 理论功能 |
| 5.2 碳汇股票指数投资功能研究 |
| 5.2.1 增长速度与增长量 |
| 5.2.2 交易量与成交额 |
| 5.2.3 风险控制 |
| 第六章 碳汇股票指数表征与预测功能分析 |
| 6.1 走势分析 |
| 6.2 对比分析 |
| 6.2.1 收益率对比分析 |
| 6.2.2 与上证指数、深圳成指的对比分析 |
| 6.2.3 碳汇42指数的预测模型 |
| 第七章 结论与建议 |
| 7.1 结论 |
| 7.2 建议 |
| 攻读学位期间发表的学术论文 |
| 参考文献 |
（4）基于复杂网络的指数复制策略（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容与方法 |
| 1.4 创新与不足 |
| 第二章 指数复制概述 |
| 2.1 指数复制的定义与由来 |
| 2.2 指数复制方法 |
| 2.3 指数复制效果的评价指标 |
| 2.4 指数复制的影响因素 |
| 2.5 指数复制的作用 |
| 第三章 基于复杂网络的指数复制策略 |
| 3.1 复杂网络 |
| 3.1.1 复杂网络的定义 |
| 3.1.2 复杂网络的过滤方法 |
| 3.1.3 复杂网络的拓扑结构 |
| 3.2 复杂网络的社区发现 |
| 3.2.1 社区发现的定义 |
| 3.2.2 经典的社区发现发算法 |
| 3.2.3 社区发现的评价指标 |
| 3.2.4 多层次优化的社区发现算法 |
| 3.2.5 社区发现与聚类算法 |
| 3.3 基于跟踪误差最小化的权重配置模型 |
| 3.4 遗传算法 |
| 第四章 基于沪深300指数复制的策略实证 |
| 4.1 复杂网络方法的指数复制 |
| 4.1.1 股票网络构建 |
| 4.1.2 股票网络及其可视化 |
| 4.1.3 股票网络社区发现及投资组合选择 |
| 4.1.4 投资组合权重配置 |
| 4.2 聚类方法的指数复制 |
| 4.3 分层选样法的指数复制 |
| 4.4 实证结果分析及对比 |
| 第五章 结论 |
| 参考文献 |
| 攻读学位期间发表学术论文 |
| 致谢 |
（5）燃煤发电项目双因素风险分析及期货对冲模型研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究的背景和意义 |
| 1.1.1 研究的背景 |
| 1.1.2 研究的意义 |
| 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 主要研究内容及技术路径 |
| 1.3.1 主要研究内容 |
| 1.3.2 研究技术路径 |
| 1.4 主要创新点 |
| 第2章 相关基础理论研究 |
| 2.1 波动理论 |
| 2.1.1 经济波动理论 |
| 2.1.2 价格波动理论 |
| 2.1.3 宏观经济变量波动周期基本分析法 |
| 2.1.4 经济变量波动周期分析的滤波法 |
| 2.2 期货市场相关理论 |
| 2.2.1 动力煤价格指数 |
| 2.2.2 期货价格理论 |
| 2.2.3 期货价格和现货价格关系 |
| 2.2.4 煤炭期货套期保值理论 |
| 2.3 协整理论 |
| 2.4 状态空间模型基本理论 |
| 2.4.1 状态空间模型概念及构成 |
| 2.4.2 状态空间模型的类型 |
| 2.5 本章小结 |
| 第3章 燃煤发电项目双因素风险分析 |
| 3.1 我国煤炭及燃煤发电现状分析 |
| 3.1.1 煤炭供给状况分析 |
| 3.1.2 燃煤发电行业现状分析 |
| 3.2 影响燃煤火力发电量因素分析 |
| 3.2.1 影响火力发电量的一般因素分析 |
| 3.2.2 火力发电量影响双因素分析 |
| 3.2.3 煤炭价格、火力发电量、煤炭库存量之间的关系分析 |
| 3.3 燃煤发电项目双因素风险定义及风险因素分析 |
| 3.3.1 燃煤发电项目双因素风险定义 |
| 3.3.2 煤炭价格波动对火电项目经营风险因素分析 |
| 3.3.3 新能源替代波动因素及风险分析 |
| 3.4 本章小结 |
| 第4章 煤炭期货套期保值策略研究 |
| 4.1 煤炭现货市场 |
| 4.1.1 煤炭国际现货市场 |
| 4.1.2 煤炭国内现货市场的特点 |
| 4.2 煤炭期货市场 |
| 4.2.1 国际煤炭期货市场 |
| 4.2.2 国内煤炭期货市场 |
| 4.3 煤炭期货套期保值利益分析及操作步骤 |
| 4.3.1 煤炭期货套期保值参与者利益分析 |
| 4.3.2 煤炭期货套期保值操作策略 |
| 4.4 基差及煤炭期货风险对冲 |
| 4.4.1 基差概念 |
| 4.4.2 期货风险对冲 |
| 4.5 煤炭期货套期保值风险管理 |
| 4.5.1 煤炭期货套期保值存在的风险因素分析 |
| 4.5.2 煤炭期货套保操作的风险管理 |
| 4.6 本章小结 |
| 第5章 基于双因素风险的期货对冲模型构建 |
| 5.1 模型构建总体设计 |
| 5.2 燃煤火电项目双因素关联性模型研究 |
| 5.2.1 煤炭价格对火力发电量影响的理论模型 |
| 5.2.2 煤炭价格对煤炭库存量影响的理论模型 |
| 5.2.3 价格波动、新能源发电量波动对火力发电量影响的理论模型 |
| 5.2.4 煤炭期货价格与现货价格联动关系理论模型 |
| 5.3 煤炭最优库存与期货套期保值对冲策略模型 |
| 5.3.1 煤炭实际库存与虚拟库存模型的思想基础 |
| 5.3.2 煤炭实际与虚拟库存模型的建立 |
| 5.3.3 煤炭实际库存与虚拟库存模型的应用 |
| 5.3.4 煤炭期货对冲模型 |
| 5.4 模型特点介绍 |
| 5.5 本章小结 |
| 第6章 燃煤发电双因素风险及期货对冲模型实证与应用 |
| 6.1 燃煤发电项目双因素风险及期货对冲模型实证分析 |
| 6.1.1 数据收集与整理 |
| 6.1.2 煤炭价格对火力发电量影响模型的实证分析 |
| 6.1.3 煤炭价格对库存量影响的实证分析 |
| 6.1.4 价格波动、新能源发电不稳定对火力发电影响的实证分析 |
| 6.1.5 煤炭期货价格与现货价格联动关系的实证分析 |
| 6.2 煤炭期货套期保值对冲策略案例应用分析 |
| 6.2.1 燃煤火电项目案例简介 |
| 6.2.2 煤炭现货库存和与期货虚拟库存安排 |
| 6.2.3 煤炭现货期货对冲交易 |
| 6.2.4 煤炭现货期货对冲交易收益分析 |
| 6.2.5 煤炭期货等量对冲策略算例 |
| 6.3 本章小结 |
| 第7章 研究成果和结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 攻读博士期间参加的科研工作 |
| 致谢 |
| 作者简介 |
（6）引入经济政策不确定性的波动率预测模型 ——基于投资者情绪的视角（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题来源及研究的背景和意义 |
| 1.1.1 课题来源 |
| 1.1.2 课题研究的背景和意义 |
| 1.2 相关文献综述 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.2.3 研究现状评析 |
| 1.3 研究内容和研究方法 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.3.3 技术路线图 |
| 第2章 相关理论基础 |
| 2.1 股票收益的波动现状 |
| 2.1.1 股票走势的历史波动性 |
| 2.1.2 我国股市异常波动的原因 |
| 2.2 .投资者情绪 |
| 2.2.1 异质市场假说 |
| 2.2.2 投资者情绪理论基础 |
| 2.2.3 投资者情绪定义 |
| 2.3 已实现波动率 |
| 2.4 本章小结 |
| 第3章 投资者情绪指标的提取和构造 |
| 3.1 投资者情绪指标 |
| 3.1.1 主观情绪指标 |
| 3.1.2 客观情绪指标 |
| 3.1.3 综合情绪指标 |
| 3.2 投资者情绪指标的提取 |
| 3.3 投资者情绪指标的构造 |
| 3.3.1 主成分分析法 |
| 3.3.2 状态空间模型和卡尔曼滤波法 |
| 3.3.3 投资者情绪综合指数的比较 |
| 3.4 与CICSI、ISI指标的比较 |
| 3.5 本章小结 |
| 第4章 经济政策不确定性的定义及指数编制 |
| 4.1 经济政策不确定性对国民经济的影响 |
| 4.1.1 宏观层面 |
| 4.1.2 微观层面 |
| 4.2 经济政策不确定性指数编制方法 |
| 4.3 财政政策与货币政策不确定指数 |
| 4.4 本章小结 |
| 第5章 波动率预测模型的实证研究 |
| 5.1 HAR-RV族模型的构建 |
| 5.1.1 HAR-RV和 HAR-RV(S)模型 |
| 5.1.2 HAR-RV-FPU-MPU和 HAR-RV-FPU-MPU(S)模型 |
| 5.2 样本选取和描述性统计 |
| 5.2.1 描述性统计 |
| 5.2.2 不同情绪区间内的变量特征 |
| 5.3 样本内预测结果检验 |
| 5.4 样本外预测结果检验 |
| 5.4.1 MCS检验 |
| 5.4.2 DM检验 |
| 5.5 稳健性检验 |
| 5.5.1 已实现波动率绝对值的稳健性检验 |
| 5.5.2 金融危机期间模型的稳健性检验 |
| 5.5.3 不同行业模型的稳健性检验 |
| 5.6 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
（7）基于人工智能的量化多因子模型的拓展及在中国股票市场上的应用（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 第一节 选题背景及研究意义 |
| 一、选题背景 |
| 二、研究意义 |
| 第二节 研究内容和方法 |
| 一、研究内容 |
| 二、研究方法 |
| 三、研究创新点 |
| 第二章 研究综述 |
| 第一节 从投资理论的历史中认识量化 |
| 第二节 现代资产组合理论及其发展 |
| 一、现代资产组合理论 |
| 二、现代资产组合理论之后的发展及完善 |
| 第二节 CAPM理论及其发展 |
| 一、CAPM理论的基本内涵 |
| 二、CAPM理论的发展和完善 |
| 第三节 多因子模型理论及其发展 |
| 一、Fama-French因子模型 |
| 二、因子模型中因子的研究 |
| 三、基于因子模型的Alpha策略与Beta策略 |
| 第四节 人工智能的内涵与发展 |
| 一、人工智能的基本定义与内涵 |
| 二、人工智能在金融领域的应用 |
| 第五节 有关量化投资的研究方法 |
| 第六节 对当前研究的总结评析 |
| 第三章 量化投资的Alpha策略 |
| 第一节 引言 |
| 第二节 量化投资策略理论及其实践 |
| 一、量化多因子模型以及其具体实践 |
| 二、因子选股在中国股市的有效性实践 |
| 第三节 利用神经网络探寻新的Alpha因子 |
| 一、人工神经网络 |
| 二、Elman神经网络预测Alpha因子未来的值 |
| 第四节 基本结论 |
| 第四章 宏观经济Alpha因子 |
| 第一节 引言 |
| 第二节 传统的宏观因子有效性检测方法 |
| 一、传统的回归方式检测因子的有效性 |
| 二、Fama-MacBeth回归 |
| 第三节 Fama-MacBeth回归的实践 |
| 第四节 基于神经网络模型检测宏观因子有效性 |
| 第五节 分析与结论 |
| 第五章 量化投资中的Beta策略 |
| 第一节 前言 |
| 第二节 量化投资中的Beta策略 |
| 一、Beta策略的内涵和发展 |
| 二、Smart Beta策略以及其内涵 |
| 第三节 Smart Beta策略实践 |
| 一、数据和指数权重 |
| 二、人工智能算法的训练数据要求和指数的设定 |
| 第四节 基于人工智能的Smart Beta权重策略 |
| 一、线性层和BP神经网络的基本内涵和数学实现 |
| 二、基于BP神经网络的数据实验 |
| 三、实验结果分析 |
| 第五节 分析与结论 |
| 第六章 研究结论与展望 |
| 第一节 主要研究总结 |
| 第二节 研究的主要发现和结论 |
| 第三节 新技术带来新挑战及政策含义 |
| 第四节 研究不足和展望 |
| 参考文献 |
| 英文参考文献 |
| 中文参考文献 |
| 后记 |
| 攻读博士学位期间取得的研究成果 |
（8）基于成长性的多因子选股模型的中国A股量化投资策略研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 引言 |
| 第一节 研究背景及意义 |
| 一、研究背景 |
| 二、研究意义 |
| 第二节 国内外研究现状 |
| 一、国外研究现状 |
| 二、国内研究现状 |
| 三、小结 |
| 第三节 研究思路方法及内容框架 |
| 一、研究思路与方法 |
| 二、研究内容与框架 |
| 第四节 研究创新 |
| 第二章 相关理论知识概述 |
| 第一节 成长股投资 |
| 第二节 量化投资 |
| 第三节 多因子选股模型 |
| 第四节 支持向量机 |
| 一、支持向量机原理 |
| 二、支持向量机算法 |
| 三、支持向量机优点 |
| 第三章 基于成长性的多因子选股模型及中国A股成长300 风格指数的编制 |
| 第一节 候选成长因子及数据选取 |
| 一、候选成长因子选取 |
| 二、数据选取与处理 |
| 第二节 基于成长性的多因子选股模型设计 |
| 一、选股方法和步骤 |
| 二、成长因子组合构建及其有效性检验 |
| 三、成长因子选股实证结果 |
| 第三节 中国A股成长300 风格指数编制 |
| 一、指数编制目标 |
| 二、指数编制方法 |
| 三、成长300风格指数结果与分析 |
| 第四章 基于成长300 风格指数的深入优化选股模型及Alpha套利策略制定 |
| 第一节 因子及数据选取 |
| 一、因子选取 |
| 二、数据选取与处理 |
| 第二节 深入优化选股模型设计 |
| 一、选股方法和步骤 |
| 二、模型构建 |
| 三、深入优化选股实证结果 |
| 第三节 Alpha套利策略 |
| 第五章 总结 |
| 第一节 策略结论 |
| 第二节 不足与改进 |
| 参考文献 |
| 附录 其他因子组合分组收益情况 |
| 致谢 |
（9）经济政策不确定性对我国资本市场的影响研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 第一节 研究背景和意义 |
| 一、研究背景 |
| 二、研究意义 |
| 第二节 研究方法和论文结构 |
| 一、研究方法 |
| 二、本文结构 |
| 第三节 论文的创新之处 |
| 第二章 理论基础与文献综述 |
| 第一节 经济政策不确定性影响资本市场的理论基础 |
| 一、实物期权理论 |
| 二、金融摩擦理论 |
| 三、资本成本理论 |
| 四、预防性储蓄理论 |
| 五、Oi-Hartman-Abel理论 |
| 六、消息和信任传导理论 |
| 第二节 经济政策不确定性与资本市场的文献综述 |
| 一、经济政策不确定性含义和度量的文献综述 |
| 二、经济政策不确定性影响的文献综述 |
| 三、经济政策不确定性影响资本市场的文献综述 |
| 第三节 经济政策不确定性影响资本市场的理论和文献述评 |
| 第三章 经济政策不确定性综合指数的构建 |
| 第一节 理论研究 |
| 一、经济政策含义及分类 |
| 二、经济政策不确定性的测量 |
| 三、机器学习方法在资本市场的应用 |
| 第二节 数据统计和模型介绍 |
| 一、神经网络模型 |
| 二、变分自编码模型 |
| 三、样本数据 |
| 第三节 新经济政策不确定综合指数构建 |
| 一、向量自回归模型 |
| 二、脉冲响应函数 |
| 三、稳健性检验 |
| 第四节 本章小结 |
| 第四章 经济政策不确定性对股票市场的影响 |
| 第一节 理论研究和模型构建 |
| 一、我国股票市场波动性研究 |
| 二、经济政策不确定性对股票市场波动的影响 |
| 三、混合数据抽样的广义自回归条件异方差模型 |
| 第二节 样本选取和数据描述 |
| 一、股票指数类数据 |
| 二、宏观经济指标数据 |
| 第三节 实证研究 |
| 一、经济政策不确定性对股市波动影响研究 |
| 二、经济政策不确定性对股市波动预测研究 |
| 第四节 稳健性检验 |
| 一、CEPU对股市波动的影响 |
| 二、CEPU对股市波动预测研究 |
| 第五节 本章小结 |
| 第五章 经济政策不确定性对债券市场的影响 |
| 第一节 理论研究和模型构建 |
| 一、债券市场波动及收益 |
| 二、经济政策不确定性与债券市场 |
| 第二节 样本选取和数据描述 |
| 第三节 实证研究 |
| 一、经济政策不确定性对债市波动影响研究 |
| 二、经济政策不确定性对债市收益影响研究 |
| 第四节 稳健性检验 |
| 第五节 本章小结 |
| 第六章 经济政策不确定性对股债两市相关性的影响 |
| 第一节 理论研究和模型构建 |
| 一、股市和债市的相关性研究 |
| 二、股债两市相互影响的传导途径研究 |
| 三、动态条件相关模型DCC-Garch |
| 第二节 样本选取和数据描述 |
| 第三节 实证研究 |
| 第四节 稳健性检验 |
| 第五节 本章小结 |
| 第七章 结论与展望 |
| 第一节 主要结论 |
| 第二节 启示 |
| 第三节 研究不足和未来研究展望 |
| 参考文献 |
（10）投资者行为、股市泡沫与我国金融安全研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景 |
| 1.1.1 我国资本市场发展迅速 |
| 1.1.2 资本市场风险问题愈发突出 |
| 1.1.3 市场监管水平有待提高 |
| 1.1.4 市场风险、监管效率与金融安全 |
| 1.2 研究目的与意义 |
| 1.2.1 研究目的 |
| 1.2.2 研究意义 |
| 1.3 研究内容与技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 1.4 研究方法 |
| 1.5 创新点 |
| 2 基础理论及文献综述 |
| 2.1 投资者效用与投资者行为的研究 |
| 2.1.1 投资者效用 |
| 2.1.2 投资者行为 |
| 2.2 股市泡沫研究 |
| 2.2.1 泡沫概念及分类 |
| 2.2.2 股市泡沫的检验 |
| 2.2.3 股市泡沫的形成机制研究 |
| 2.2.4 股市泡沫的经济效应研究 |
| 2.3 金融安全研究 |
| 2.3.1 相关概念 |
| 2.3.2 新时代金融安全理论分析 |
| 2.3.3 金融危机研究 |
| 2.3.4 金融安全评价与预警分析 |
| 2.4 本章小结 |
| 3 股价行为、泡沫影响金融安全的机理 |
| 3.1 基于投资者行为的股价涨跌系统动力学分析 |
| 3.1.1 股票价格的影响因素分析 |
| 3.1.2 股票价格运动的系统动力学机制 |
| 3.2 股价泡沫产生机理分析 |
| 3.2.1 投资者行为、决策及市场基本设定 |
| 3.2.2 股市泡沫形成机理 |
| 3.3 金融安全影响因素及股市泡沫影响金融安全的机理分析 |
| 3.3.1 金融安全概念及其影响因素分析 |
| 3.3.2 股市泡沫影响金融安全的渠道分析 |
| 3.3.3 一个金融风险传染模型 |
| 3.4 本章小结 |
| 4 股市泡沫及其传染效应仿真研究 |
| 4.1 人工股市仿真 |
| 4.1.1 仿真环境及参数说明 |
| 4.1.2 仿真结果分析 |
| 4.1.3 对仿真结果的敏感性分析 |
| 4.2 传染效应仿真 |
| 4.2.1 仿真环境及参数说明 |
| 4.2.2 风险传染效应仿真基本结果 |
| 4.2.3 传染效应仿真的敏感性分析 |
| 4.3 本章小结 |
| 5 股价泡沫的实证分析 |
| 5.1 基础价值法:一种简单测度 |
| 5.1.1 托宾Q值 |
| 5.1.2 k泡沫系数 |
| 5.2 基于GSADF方法的股价泡沫检验 |
| 5.2.1 基本检验模型 |
| 5.2.2 实证检验 |
| 5.3 考虑基础价值与情绪指标的股市泡沫检验 |
| 5.3.1 基本模型 |
| 5.3.2 实证过程 |
| 5.4 一个流动性风险的视角 |
| 5.4.1 VAR模型阐述 |
| 5.4.2 估计VAR模型 |
| 5.4.3 脉冲响应与方差分解分析 |
| 5.4.4 基本结论与启示 |
| 5.5 本章小结 |
| 6 股市泡沫对金融安全的影响分析 |
| 6.1 我国金融安全状况评价 |
| 6.1.1 金融安全指标体系设计 |
| 6.1.2 基于主成分分析法的金融安全实证分析 |
| 6.2 股市泡沫对我国金融安全状况影响评价 |
| 6.2.1 MS-VAR模型基本原理 |
| 6.2.2 基于MS-VAR模型的实证分析 |
| 6.2.3 脉冲响应与拟合优度分析 |
| 6.2.4 稳健性检验 |
| 6.2.5 结论与启示 |
| 6.3 本章小结 |
| 7 结论及建议 |
| 7.1 论文基本结论 |
| 7.2 预防股市泡沫维护金融安全的对策 |
| 7.2.1 对监管层的建议 |
| 7.2.2 对投资者的建议 |
| 7.3 研究不足及展望 |
| 参考文献 |
| 附录 A 股票价格运动Matlab仿真程序 |
| 附录 B 传染效应仿真程序 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
四、成分股票价格指数编制模型的实证研究（论文参考文献）
- [1]中国金融市场基于宏观因子的资产配置策略研究[J]. 牛晓健,章画意. 贵州商学院学报, 2021(03)
- [2]个股投资者情绪与股票收益率的关系——基于股评信息视角的研究[J]. 樊鹏英,杨音,张正平,陈敏. 数学的实践与认识, 2021(16)
- [3]中国碳汇股价指数的编制及其功能分析[D]. 杨文杰. 南京林业大学, 2020(02)
- [4]基于复杂网络的指数复制策略[D]. 吕佩凌. 广西大学, 2020(07)
- [5]燃煤发电项目双因素风险分析及期货对冲模型研究[D]. 刘凌云. 华北电力大学(北京), 2020(06)
- [6]引入经济政策不确定性的波动率预测模型 ——基于投资者情绪的视角[D]. 葛宇晨. 哈尔滨工业大学, 2020(02)
- [7]基于人工智能的量化多因子模型的拓展及在中国股票市场上的应用[D]. 李兴有. 中国社会科学院研究生院, 2020(12)
- [8]基于成长性的多因子选股模型的中国A股量化投资策略研究[D]. 王晓霞. 浙江工商大学, 2020(05)
- [9]经济政策不确定性对我国资本市场的影响研究[D]. 沈艳. 中央财经大学, 2019(12)
- [10]投资者行为、股市泡沫与我国金融安全研究[D]. 郑超. 北京交通大学, 2019(06)