范文一:股票行业板块
股票行业板块
1 股票行业板块定义
股票行业板块是指:具有共同特征的一类股票的集合。也就是说这一类股票具有共同的特征。
2 板块定义
在股市中,板块是指具有某一共同特征的股票,被称为 “XX板块”或“XX概念股”,它们因相同的特征而在价格走势中呈现较大的联动性。
3 板块的划分
板块的划分是多样的,如按行业划分,有“钢铁板块”、“水泥板块”、“房地产板块”等;按地域划分,有“边疆概念股”、“首都概念股”等;按经营状况,有“绩优板块”、“亏损板块”。一家上市公司往往因为其不同题材时归属若干个不同的板块。如四川长虹,既属于“绩优板块”又属于“家电板块”。根据划分范围的大小,板块之间也存在交错关系,“生物制药板块”中的个股,理所当然包含在“高科技板块”之列。
范文二:我国股票市场行业板块波动实证分析
我国股票市场行业板块波动实证分析
柳燕燕李兴平
,东华理工大 学 江西南昌 ,?330013
中图分类号:F22 文献标识码:A 文章编号:1672- 789(42013)03- 0199- 02 摘 要 鉴于我国股票市场存在着行业板块轮动现象,本文 板块波及到另一个板块,甚至会影响整个大盘。国内外学者
从定性和定量角度对行业板块进行了研究。定性方面,主要 利用行业指数与沪深 300 指数对行业板块进行实证研究 ,
从板块波动的理论分析,借助相关的收益率指标,得出了反 分析了各个行业与大盘间的相关性, 并探讨了行业之间以
映板块现象的量化指标,并试图将这些指标进行量化分析, 。 通过对结论的分析, 及行业与大盘波动的格兰杰因果关系
如何诚颖(2001),将板块按照不同标准进行划分,分析得出 可以有助于了解股市波动规律, 同时为投资者提供一些建
不同程度板块的涨跌时间不同。定量方面,国内外研究主要 ,减少投资风险。 议
运用 VAR 模型和 ARCH 族模型来进行考察行业板块间的 行业分析 行业指数 实证分析关键词 相互关系以及传导机制。如H assan和 Malik(2007)用 BEKK The Empirical Analysis of the Fluctuation of Industry Sec) 模型,采用 1992年 1 月到 2005年 6 月的美国六个行业指 tor in China's Stock Market // Liu Yanyan,Li Xingping 数的日收益数据,刻画了行业收益波动的传递机制,表明各 Abstract In view of that the China's stock market haphs ethe- 行业之间存在显著的互动作用。陈梦根和曹凤岐(2005)基 nomenono f alternate industry plate movement, thiasr ticle uses 于 VAR 分析框架采用上海证券交易所分类指数考察了不
同行业板块之间的股价冲击传导效应,研究发现中国证券 the index of industry index and hushen300 ind ex for empirical
市场中股价波动的市场性显著地超过了不同板块 (个股) 的 research.In the processo f research,wean alyze the correlations 独立性,股价联动特征非常明显。 between all thei ndustries and market, and employ Granaugse-r c由于不同时间段行业板块波动呈现出不同的特点,因 est esting the relationship among industries even the markeTthe . 此,本文试图对我国股票市场行业板块波动进行分时间段 conclusions contribute to the understandingof the stockm arket 研究,了解行业波动间的关系以及行业间如何进行联动,有 fluctuation, meanwhile, it can provide somes uggestions for in- 助于我们更好地认识股市的波动,同时能使投资者把握更 vestors to reduicnev estment risks. 加准确的信息,减少投资风险。
Key words industry analysis;industry index;empirical analysis 2 实证研究
行业间的波动表现与经济形势具有相关性,在经济迅
速发展的时期,行业的发展良好,而在经济发展疲软期,行 1 引言 业表现萎靡状态。所以,为了准确地解释行业板块间的特 股票市场是资本市场很重要的组成部分。我国股票市 性,必须引进能够衡量股市波动的指标,进而从整体上揭示 场自建立以来,发展很快,并且随着股票市场的逐渐完善, 行业间以及行业与股市大盘间所呈现的状态。 越来越多的人将资金投向股票市场,将股票投资视为很重 本文选取了 22 个行业指数—采掘指数、传播指数、 要的理财方式之一。 地产指数、电子指数、纺织指数、服务指数、机械指数、金融 在股票市场中,往往将具有相同或相似的行业背景的指数、金属指数、建筑指数、木材指数、农林指数、批零指数、 股票划分为一个板块。板块的划分,是基于对股市整体计量 石化指数、水电指数、食品指数、医药指数、运输指数、造纸 和个股分析的需要,以及股市健康运行的需要。大盘的涨跌
指数、制造指数、IT 指数和综企指数以及沪深 300 指数的周 往往只能表现出股市整体的水平,对个股的分析仅仅是在
收盘价 (选取周数据主要为了发现月数据所不能发现月内 公司层面上进行分析,但公司基本面与行业的发展水平以
及行业的前景有着密切的联系。因此,对行业板块的分类, 联动的规律以及减少日数据的容易受到噪音交易导致的偶 便于投资者准确把握市场动向,采用合理的投资组合,进行 然性联动的影响),数据时间跨度为 2005 年 5 月 13 日到 理性投资。 2012 年 9 月 28 日,得到样本 375个每组 。同时,为了更有针 在对股市波动的研究中,我们可以发现,每次股市的大 对性地分析不同阶段的行业板块间波动的特征,我们将数 波动行情基本上是由一个或几个板块共同驱动。同个行业 据进行分阶段研究,划分为 3 个阶段。阶段 1:2005年 5 月 的股票因行业的共同因素呈现联动,并且影响到其他行业
板块。所以,不同的行业板块之间相互影响,波动会从一个
作者简介:柳燕燕(1987- ),女,东华理工大学企业管理研究生;李兴平(1963- ),男,东华理工大学经济与管理学院教授,硕士生导师,主要研 究方向为金融证券。
199
社会博览
多数板块的影响因子,同时,建筑板块、传播板块、服务板 13 日到 2007年 10 月 19 日(急剧上升牛市阶段,上证指数
块、石化板块、水电板块、运输板块和制造板块与金融板块 从 1107.63上升 到 5818.0)5;阶段 2:2007年 10 月 26 日到表现出互为因果的关系,即波动互相影响。同时,在此阶段, 2008 年 11 月 7 日(大幅下降熊市阶段,上证指数从5589.63 农林板块、石化板块、IT 板块、食品板块与机械板块互为因 下降到 1747.7)1;阶段 3:2008年 11 月 14 日到 2012年 9 月果,综企板块与批零板块I、T 板块、农林板块、运输板块、医 28 日 (恢复平稳阶段, 上 证 指 数 从 1986.44 波 动 到药板块、纺织板块呈现出互相影响的状态。
2086.17)。数据来源于大智慧软件,运用E views 软件和 SPSS 3 结论及建议 软件进行分析。通过运用统计软件对数据的分析,得到以下结论: 第首先进行相关性分析。运用 SPSS软件 ,得到 3 个阶段 一,大盘波动与板块波动呈现出极大的正相关性。首 的各行业指数与沪深 300 指数的相关关系以及各指数间的
先从理论上可以证实这个结论的正确性。大盘波动的指标 相关关系。对阶段1 、2 的皮尔逊相关系数进行检验,发现沪
深 300 指数与各行业指数间呈现出极高的正相关性,表明 是根据各股票的波动程度和状况最终综合而成,这也就解 大盘波动是由于各行业指数的波动而波动的,无论在牛市 释了大盘波动与板块波动之间呈现出相关性。而本文中的还是在熊市阶段,各板块间呈现出一荣俱荣、一损俱损的特 实证分析则从实证角度对该理论或结论予以证实,并得出 点。而对阶段 3 分析看到,在此阶段中各行业指数与沪深 两者间表现的是很高的正相关性的结论。
第二,各板块之间存在着格兰杰因果关系,表现在板块 300 指数间的相关性不是很高,行业指数间也表现出低相关
之间的相互影响关系。相关性只是表现出了行业板块间存 特点,表示在股市平稳恢复阶段,各板块间的关联程度没有 在着关联,而格兰杰因果检验进一步分析出了行业板块间 牛市或熊市高。的影响与被影响之间的关系。从分析中可以看到,一个行业 其次进行平稳性检验。进行格兰杰因果检验的前提是 的变动往往会引起其他行业间的变动,比如金融行业板块。 各数据的平稳。在分析中我们发现各数据数列都存在单位 金融行业板块是其他各板块的格兰杰因果检验,这表明了 根,即是非平稳序列。因此,我们对各数据进行一阶差分,同 金融行业板块的变动会引起了其他板块的变动。并且,行业 时对各序列再次进行平稳性检验,最终可证明各序列间一 上下游间的板块间波动影响也表现出格兰杰因果关系,以 阶差分是平稳的。 及行业与行业间的相互交叉关系和企业的多元化经营等都 最后进行格兰杰因果检验。对阶段 1 进行格兰杰因果 使得行业板块间具有格兰杰因果关系。 检验,发现行业上下游的行业板块间有波动影响。水电行业 第三,在不同的阶段,板块间的关系呈现出多变性。一 板块、运输行业板块和制造行业板块均为建筑行业板块的 个行业板块的变化引起另一个行业板块变化的影响不是固 格兰杰原因,表明水电、运输和制造行业板块引起了建筑板 定的,而是随着股市的整体波动状况和其所处的阶段的变 块的变动,建筑行业板块出现最高点时间为 2007 年 10 月 化而变化。如在股市大牛市阶段,水电行业板块和运输行业 12 日,均在三个行业板块时间之后,从数据中进一步得到该 板块等其他行业板块的变动引起建筑行业板块的变动,而 结果的证实。同时,该阶段中对大盘波动有深刻影响的行业 在股市熊市阶段,则只有采掘行业板块明显地表现出了对 板块有电子板块、金融板块、石化板块、水电板块和制造板建筑行业板块的影响。同时,在股市恢复平稳阶段,则表现 块。这些关乎人民生活和经济命脉的行业,成了在这个阶段 出很多行业板块间互为因果关系,即互相影响,而不是单一 影响大盘波动的很重要的因素。 性的影响。而在股市起伏大的阶段,双方互相影响的关系较 对阶段 2 即熊市阶段进行格兰杰因果分析,我们可以 少,大部分表现出单一的影响关系。 看到,金融板块依然是引起各大行业板块和大盘的主导因 本文对行业板块间的关系研究所得出的结果可以给投 素。对大盘波动影响最大的行业板块分别为石化板块、批零 资者一点建议。投资者在投资过程中需多关注行业消息,通 板块以及金融板块,这表明重要领域的行业对股市的整体 过对行业信息的解读,判断行业板块的趋势;同时依据行业 波动有显著的影响力。而行业板块间影响较大的表现主要 板块间的影响关系,进而调整投资结构,保证收益率。 在如下方面:各行业板块都是地产板块的格兰杰原因,即它
们的变动都能引起地产板块的变动,这可从各板块出现最
低点的时间比地产板块出现低点的时间要早可以验证;传
播板块的格兰杰因子主要有 IT 板块、制造板块、医药板块、
金融板块和石化板块,在数据中可以找到这些板块对于传
播板块影响的证明即它们出现极值的时间都早于传播板
块;影响建筑板块波动的主要因素是采掘指数。 参考文献
阶段 3(恢复阶段)的格兰杰因果分析中指出,影响股市 [1] 陈梦根,曹凤岐.中国证券市场价格冲击传导效应分析[J].管理世
界,2005(10). 波动程度大的主要板块是纺织板块、金融板块、石化板块、
食品板块、医药板块、运输板块、传播板块、电子板块和制造 [2] 于倩倩.行业股价指数波动溢出效应研究—基于多元 GARCH
模型的实证分析[D].2010 [3] 杨成,袁军.我国证券市场行业间收板块。这些板块的波动在很到程度上形成了大盘的波动状 益率的极值联动效应实证研 态。行业间的轮动情况比较复杂,波动相互影响的板块数量 究[J].管理工程学报,2011(1)[. 4] 张福芬.中国股票市场板块轮动的大,呈现出一片互为格兰杰因果的行业板块。金融板块是大 机理研究[J].科协论坛,2010(4)[. 5] 蔡伟宏. 我国股市行业指数超额联
动的实证分析 [J]. 南方经济,
2006(2):91- 98.[6] 劳兰,邵玉敏.中国股票市场行业收益率序列动
态聚类分析[J].财
经研究,2004(11).
200
范文三:股票行业板块五行分类
股票行业板块五行分类;
一 ? 甲木类:家居用品(乙木、庚金),农林牧渔(乙木、己土、癸水)。
二 ? 乙木类:家居用品(甲木、庚金),农林牧渔(甲木、己土、癸水),纺织服饰,化纤,造纸,文教休闲(丁火),广告包装(丁火),电脑设备(辛金),通信设备(辛金),元器件(辛金)。
三 ? 丙火类:供热供气(癸水),石油,电力。
四 ? 丁火类:软件服务,电信运营,互联网,医疗保健(庚辛金,乙木),电器仪表(癸水),半导体,传媒娱乐,家用电器(辛金、乙木),商贸代理(癸水)。
五 ? 戊土类:房地产,建筑,建材(甲乙木,庚金)。
六 ? 己土类:环境保护(癸水),食品饮料(癸水),农林牧渔(甲乙木、癸水),化工(辛金)。
七 ? 庚金类:钢铁,通用机械,工业机械,汽车类,运输设备,矿物产品,电气设备(丁火),交通设施(壬水)。
八 ? 辛金类:医药(癸水、己土、乙木),日用化工(己土),元器件(乙木),证券(癸水、丁火),银行(癸水、丁火),保险(丁火,戊土),多元金融(癸水,丁火)。
九 ? 壬水类:仓储物流,运输服务,公共交通,航空,船舶(庚金)。
十 ? 癸水类:商业连锁,旅游(丁火),酿酒(丁火),水务(壬水),酒店餐饮(己土)。
以上为股票行业板块的大概分类,供有缘人参考。
天地堂:未言老师
范文四:我国股票市场行业板块联动效应的实证分析
我国股票市场行业板块联动效应的实证分析
【摘要】在股票市场中,板块与板块之间,股票价格或收益率的波
动常常存在着显著的联动效应,每一波大行情往往都是由一个或数个板块所带动的。本文基于数据挖掘的视角,利用关联规则挖掘的Apriori算法,分析了我国股票市场30个行业板块间的联动效应,结果表明,化工化纤板块、电子信息板块与多个板块间存在较强的联动效应。
【关键词】行业板块 联动效应 关联规则
一、前言
随着市场经济的不断推进,我国股票市场日益繁荣,股票投资已成为人们经济生活中不可或缺的一部分。在股票市场中,板块与板块之间,股票价格或收益率的波动常常存在着显著的联动效应。回顾我国股票市场的发展历程,不难发现每一波大行情往往都是由一个或数个板块所带动的,借助板块的联动效应,将有利于投资者及时发现市场热点,增强交易的盈利性;并适度调整资产组合,降低投资风险。对监管机构而言,股票市场联动效应的强弱可以用于衡量风险传递的可能性,为其制定市场监管机制提供借鉴。
本文基于数据挖掘的视角,利用关联规则挖掘的Apriori算法,分析我国股票市场行业板块联动效应,旨在挖掘出我国行业板块指数间潜在有用的联动关联规则。
二、相关理论与方法介绍
事物存在普遍的联系,I1发生时,I2也有可能发生,如在美国买啤酒的人极有可能买尿布,类似于“I1发生时,有n%的可能I2会发生”的规律被称之为关联规则(Association Rule),其中I1称为规则的前项(Antecedent),I2称之为规则的后项(Consequent)。I1与I2同时发生的概率称之为支持度(Support),支持度反应了I1与I2同时出现的频繁程度;I1发生时,I2发生的概率称之为置信度(Confidence),置信度反应了关联规则的可靠性。关联规则挖掘实际上就是在大量数据中,寻找同时满足用户给定的最小支持度(Minsupport)和最小置信度(Minconfidence)的关联规则的过程。1994年Agrawal等人给出的Apriori算法为关联规则挖掘最具代表性的算法,该算法沿用至今,一直作为新兴的关联规则挖掘算法的理论基础。
三、实证分析
(一)数据选取与预处理
为了较为系统和全面地研究我国股票市场行业板块间的联动效应,本文选取了来自大智慧软件(大智慧ver7.0版)2008年12月24日到2013年10月30日的30个行业板块指数――保险、电力、电器、电子信息、房地产、纺织服装、钢铁、工程建筑、化工化纤、供水供气、机械、计算机、建材、交通工具、交通设施、教育传媒、旅游酒店、煤炭石油、酿酒食品、农林牧渔、券商、商业连锁、通信、外贸、医疗、仪电仪表、银行类、有色金属、运输物流、造纸印刷。为消除异常值对实证结果的影响,这里对板块指数日开盘、最高、最低、收盘价格取算术平均数作为衡量股票价格的指标,在此基础上,计算每日的涨跌幅。
为了关注行业板块间“较大幅度”的同涨(同跌)效应,同时考虑各行业板块的实际涨跌幅度,故而选择1%为最小涨跌幅度,当上涨(下跌)幅度?1%时,则认为板块指数上涨(下跌)。
(二)联动效应分析
由表1可见,有意义的同涨联动效应主要集中于外贸、建材、机械、电子信息、纺织服装、计算机、造纸印刷、仪电仪表、农林牧渔、化工化纤、工程建筑、通信这12个板块之间。电子信息板块上涨时,计算机板块有81.82%的可能性会在同一天上涨;化工化纤板块上涨时,电子信息板块有82.82%的可能性会在同一天上涨;化工化纤板块和电子信息板块同时上涨时,计算机板块有88.8%的可能性会在同一天上涨,农林牧渔(纺织服装)有84.23%的可能会在同一天上涨,外贸同一天上涨的可能性为83.82%,造纸印刷(建材)的可能性为82.57%,仪电仪表(机械)可能性为80.91%,可见化工化纤板块、电子信息板块与多个板块间存在同涨的联动效应,这点应予以重视。
由表2可见,有意义的同跌联动效应主要集中于供水供气、外贸、建材、机械、电子信息、纺织服装、计算机、仪电仪表、化工化纤、交通工具这10个板块之间。电子信息板块下跌时,计算机板块有83.27%的可能性会在同一天下跌,化工化纤有80.48%的可能性会在同一天下跌;化工化纤板块下跌时,外贸板块有85.6%的可能性会在同一天下跌,仪电仪表同一天下跌的可能性为81.6%,纺织服装的可能性为81.2%,电子信息(机械)的可能性为80.8%,可见化工化纤板块、电子信息板块与多个板块间同样存在着同跌的联动效应,这可能与造成板块同涨(同跌)的政治、经
济或是社会因素存在一致性有关。
四、结论
本文利用关联规则挖掘的Apriori算法,全面分析了我国股票市场30个行业板块间的联动效应,所获得的关联规则有助于投资者做出更加理性的投资决策;股票市场联动效应的强弱可以用于衡量风险传递的可能性,故而这些规则也可为市场监管机制的制定提供借鉴。由于没有考虑板块间的联动效应具有一定程度的滞后性,即同涨(同跌)联动效应不一定在同一天出现,挖掘到的关联规则具有局限性。股票的价格往往是政治、经济、社会等因素共同作用的结果,股票价格具有随机性特征,即过去的数据所提炼出来的规则在将来不一定有效,为了提高决策的有效性,实际应用中应该将关联规则挖掘的结果与传统的技术分析以及基本面分析相结合。
参考文献
[1]AGRAWAL R,IMII.IENSKI T,SWAMI A.Mining association rules
between sets of items in large databases[C].GIGMOD,1993:207-216.
[2]毛国君,段立娟,王实,等.数据挖掘原理和算法[M].第二版.北京:清华大学出版社,2007:67-73.
[3]汪赫瑜,王伟.股票间关联规则的挖掘算法[J].中国科技信息,2008,05:155-156.
[4]罗旭娟,叶银龙.关联规则挖掘在股票价格指数分析中的应用研究[J].统计与咨询,2009,04:34-35.
作者简介:冯甜(1987-),女,陕西咸阳人,西安财经学院统计学院在读硕士研究生,研究方法:统计建模。
范文五:Copula的股票市场行业板块相关结构的实证分析
Copula的股票市场行业板块
相关结构的实证分析
? 陈前达
( ,410079)湖南大学金融不统计学院湖南 长沙
Copua ,: l、摘要基于 模型以上海股票市场行业板块指数 收益率序列的描述统计量 二
,作为研究样本,展开对中国股票市场板块间的相关结构的实 股票的指数是衡量股票价格水平的一种技术工具为了
,( SHGY) 、研究股票市场相关结构本文选择上证工业指数上 证研究,获得 如 下 研 究 结 果: 混 合 Copula 模 型 的 AIC 值 最
( SHSY) 、( SZDC) 、证商业指数上证地产指数 上证公用事业 小,SBC 值最大; Clayton Copula 函数的权重最大,所分析的四
GYSY) 。( 指数这四个板块指数的每天收盘价做为样本采集 个板块指数的下尾相关性表现较为明显,即当一个板块指数
2007 1 1 2011 12 31 的数据是 年 月 日到 年 月 日的上证四个 下跌的时候,其他板块指数跟着下跌的概率比较大。
。} n t { P板块每日收盘价设 为行业板块 的第 日的指数收 nt 关键词: Copua; 相关结构; EM 算法 l
。盘价
根据样本的收益率序列,运用 Eviews 软件,对样本进行 、引言 一
正态性检验,得到描述统计量( 见表 1) 。 、,由于金融市场是一个时变波劢和非线性的市 场金 融
,、,1 市场之间相互依赖相互影响日益增加这促进我们对金融 表 收益率序列的描述统计量
工业指数收益率 商业指数收益率 地产指数收益率 公用指数收益率 时间序列之间相关结构等问题的研究。Copula 方 法 是 用 来 , 0. 001737 0. 029192 0. 005191 , 0. 005072 均值 ,Copula 描述随机变量间相依结构的统计方法而混合 函数能 2. 087971 2. 188704 2. 825437 2. 222079 标准差 , 0. 402154 , 0. 546298 , 0. 322839 , 0. 573882 偏度 ,够有效地刻画收益率序列的尖峰厚尾等尾部特征因此它广 5. 127596 4. 657957 4. 162332 5. 373172 峰度 泛地应用于金融市场的分析中。鉴 于 此,本 文 拟 选 取 混 合 262. 7745 200. 2505 89. 79534 352. 9667 J ,B 统计量 0. 000000 0. 000000 0. 000000 0. 000000 相应概率 Copula 函数作为实证研究的理论模型。
檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸
。、,通过证券化的方式转让 政府和其他机构如保险公司联邦住房当局等的担保和参 ( 三) 加强我国金融市场建设 。,不对贷款产品也起着重要影响我国信用体系建立较晚在
、、、资产证券化 交 易 要 涉 及 到 开 发 商担 保保 险投 资 银 ,,推进资产证券化时应当大力发展信用评级机构逐步建立
、、, 行会计事务所资产评估机构和资信评级机构等相关部门,起符合我国国情的信用体系加强信用评级机构对住房按揭
,,我国的资产证券化刚刚起步不美国相比缺乏与业住房抵 ,、、以及住房抵押贷款证券化产品的评级约束真 实准 确透
,、押贷款等非银行金融服务机构与业化的投资银行金融担 、,明及时地反映各项数据及情况供投资者进行投资判断的 、。,保机构保险机构亦较为空白因此加强金融体系及基础 ,,依据合理规避风险防范因信息不对称戒信用评级道德风 ,。设施的建设是我国推行房贷证券化的当务之急首先应加 。险产生的风险隐患
,快住房抵押贷款证券化组织机构建设由国家指定综合管理 参考文献:
,; ,部门牵头统一协调管理以完善中介服务体系其次我国当 ,1,陈建 . MBS 提前偿付风险分析,J,. 经济研究导刊,2007( 3) 。
,,前金融衍生工具发展较为滞后金融创新匮乏急需大力推 ,2,. , 陈钊 美国住房抵押贷款证券化的现状 兼议我国推行住
,; 进金融产品的创新丰富投资品种最后还应成立和培植与 ,J,. ,2007( 3) 。房抵押贷款证券化的可行性金融研究
、( SPV) 、、业的律师事务所特殊目的机构资产评估机构信用 ,3,J. ,??弗兰兊法博齐著俞卓青译 房地产抵押贷款证券手 、。评级机构保险公司等一批金融中介机构 ,M,. 。册上海人民出版社
( ) 四建立信用评级监管系统 住房抵押贷款证券化最重要,4,何小锋 . 资产证券化: 中国的模式,M,. 北京大学出版社。
,的环节之一就是信用增级 ,5,. J,. ,黄琦 商业银行不良资产证券化的难点及风险研究经
,,通过信用增级降低证券化的融资成本促使证券化规模的 ,2006( 1) 。济界
。,扩大在美国个人住房抵押贷款市场中除了通过现金流分 ,6,、、. ,M,. 黄嵩魏恩遒刘勇 资产证券化理论不案例中国发展
,。层戒由发起人提供更多的连带责仸担保等内部信用增级外 出版社
185
FINANCE , ECONOMY 金融经济
Copula 3 表 三个阿基米德 函数的参数估计值 : 从四个收益率序列的描述统计量中看出四个收益率序
el Copula Clayton Copula Frank Copula Gumb函数 ,,列的偏度都小于零分布左偏四个收益率序列的峰度都大 ? 0. 4197 2. 2537 8. 093 θ3,,,于 都呈现出高峰态具有比正态分布更厚的尾部四个收
J ,B 262. 7745,200. 2505,益 率 序 列 的 统 计 量 分 别 为 ( 3) Copula 混合 模型的估计及检验 89. 79534,352. 9667,都拒绝了正态分布的假设。 Copua : ,l混合 模型的参数估计由上述估计边缘分布得 三混合 Copua 模型的构建 、l, EM到四个板块 收 益 率 的 分 布 函 数通 过 算法得到的混合 Copula 方法是用来描述多个随机变量间相依结构的统 Copula ,Matlab 的权重和参数的估计式用 编 程 进 行 参 数 的 。Copula ,计方法由于 函数构造简单丏种类齐全能够很好地 。估计 ,描述不同变量间的相关关系因此它广泛地应用于金融市场 本文对混合 Copua 模型的参数估计采用分步计算的方 l。Copula 的分析中鉴于混合 函数能够有效地刻画收益率序 法,得到混合 Copula 函数的参数估计值( 如表 4) 。 ,1, ,Copula 列的尖峰厚尾等尾部特 征为 此 本 文 拟 选 取 混 合
Copula 4 表 混合 函数的参数估计值 。函数作为实证研究的理论模型
ωωωθθθ 123123( 1) 边缘分布函数的构建 0. 247060 0. 441831 0. 311109 0. 5483 2. 6641 16. 377 ,为了能更好的刻画多个金融资产间的相关结构我们选
择拟合度较高的非参数核密度估计来描述单个金融资产的 Clayton Copula 4 ,从表 的参数估计值我们可以看出函数 边缘分布函数。 ,的权重最大这就说明所分析的四个板块指数的下尾相关性 ( r)n Fr 在 处的 设第 支股票收益率的边缘分布函数 n n n ,,表现较为明显即当一个板块指数下跌的时候其他板块指 估计值为: 。数跟着下跌的概率比较大 T ? r, , 1 n nt至此,我们得到了四个 Copula 函数模型: 三个阿基米德 〕 F( r) =〔( 3. 1) Φn n ? ? T ( n)t = 1 hopt Copua 函数和一个混合 Copua ll。? ( n) AIC SBC : 准则和 准则检验为了能更好地评判这些模型 ,hn 其中 Φ 为标准正态分布函数为第 支股票的最优 opt
,AIC SBC 。的优劣选择 准则和 准则对这些模型进行比较根 窗宽 . ? T 据拟合模型得到密度函数对数形式的拟合值( 见表 5) 。 ? ? ? median( { | ,, | } ) μ nt n t = 1 ( n) ,1 /5 = 1. 06T ,=h取 σ其中 σ optn n 0. 6745 AC SBC 5 I表 准则和 准则检验 ? Copula Gumbel Clayton Frank M ,C opula 为第 n 支股票收益率序列{ ,} 的标准差的估计值,μ为序 nt n , 4359. 6 , 4302. 2 , 4331. 6 , 5026. 0 AIC 值 列{ ,} 中位数 。nt 2177. 3 2148. 6 2163. 3 2495. 1 SBC 值 3. 1) , ( F利用式估计出四个板块指数收益的边缘分布 n
n = 1,2,3,4。,s ( r) k F,0,1,并利用 检验 是否服从上的 Copula AIC 5 ,模 型 的 值 最 从表 的检验 结 果 可 知混 合 n nt
,。均匀分布以及验证计算出相应的窗宽是否符合要求所得 ,SBC ,Copula ,小值最大因此混合 模型的拟合效果最好因为 结果如表 2: Copua ,l它结合了三个阿基米德 模型的特点使得对数据的拟
。合更精确 K ,S 2 表 窗宽及 检验检验者 四、展望 上证工业 上证商业 上证地产 上证公用 Copua ,l0. 4146 0. 4478 0. 5720 0. 4355 本文将三种阿基米德 函数进行加权分析了沪市 最优窗宽 0. 645 0. 559 0. 573 0. 563 k ,s 统计量 ,EM ,四个板块之间的相关结构利 用 算 法简化了极大似然 0. 799 0. 914 0. 898 0. 909 k ,s 概率值 ,Copula 。估计构建了四元混合 模型但针对当今金融市场的 2 k ,s : 由表 的 概率值可知用非参数估计方法得到的各个边缘分布对样 ,3, ,Copula 复杂时变性还有许多基于劢态 的金融时间序列 。本的拟合度非常高 的相关结构问题有待进一步探究。
( 2) Copula 三个阿基米德 函数的参数估计 参考文献: ,2, Copula ,用三种四元 阿 基 米 德 函 数 进 行 分 析给 出 四 ,1,,,Copua ,J,. l田光张瑞锋基于 的股票市场波劢溢出分析财 Gumbel Copula ,Clayton Copula ,Frank Copula 元 函数函数函 ,2011,32( 6) : 53 , 58.经理论不实践 数。把 { r} ,n = 1,2,3,4; t = 1,2,…,1217 及其对应的最优 nt ,2,仸仙铃,张丐英 . 基于核估计及多元阿基米 德 Copula 的 投 ? 资组合风险分析,J,. 管理科学,2007,20( 5) : 92 , 97. 窗宽 h代入( 3. 1) 式,估计得到序列{ u} ,n = 1,2,3,4; t opt nt
,3,Jun Yan,Enjoy the Joyo f Copulas: With a Package copula ,J,. = 1,2,…,1217,其中 u= F( r) 。把序列序列{ u} ,n = 1, nt nt nt
Journa of Statstca Software. 2007,10( 4) 1 , 21. liil:2,3,4; t = 1,2,…,1217 ,,代入三种四元阿基米德式并利用
,Copula 基金项目: 1) 湖南大学国家级 SIT 项目( 531107061125) ; 2) 教育 极大似然法得到三种四元阿基米德 函 数 的 相 关 参
,3。部人文社会科学研究资助项目( 10YJAZH103) 数结果如表
186