奥巴驴g
范文一：对数周期性幂律模型
(重定向自Log-periodic power law模型)
对数周期性幂律模型(Log-Periodic Power Law模型;LPPL模型)
目录
[编辑]
什么是对数周期性幂律模型
对数周期性幂律模型是基于交易者之间的相互模仿，这些局部相互作用可形成正反馈，从而导致泡沫和反泡沫的产生，因此可用于金融泡沫和反泡沫的建模和预测。对数周期性幂律模型可分为两大类:维尔斯特拉斯族模型和朗道族模型，前者可以通过重整化群方法导出，而后者则是在临界点附近的各级朗道展开近似。
对数周期性幂律模型在股市中的应用，最早在1995年由两个小组独立提出，并在泡沫湮没时间预测和反泡沫走势预测方面取得了不少成功，如口木口经指数反泡沫、英国房地产泡沫、中国股市反泡沫等。
[编辑]
对数周期性幂律模型的特征
一是对数周期性振荡，在线性尺度下，越接近临界时间，振荡频率越快，但在对数尺度下，振荡频率为常数;
二是幂律增长，或称超指数增长，即价格的增长率不是常数，而是单调递增。
[编辑]
对数周期性幂律模型检验步骤以及参数估计
1.不断变化样本数据起始点tstart与终止点tend，从而形成样本数据系列（tstart，tend）。对于每一个样本系列，我们可得到LPPL模型参数的估计值（A，B，C，tc，m,ω,φ）。为了确保每一系列样本点以及估计的数量足够多，我们每隔=5个交易日变换一次tstart及tend，同时确保tend与tstart的间隔不低于100个交易日。
2.给出tc的置信区间（20，80），从而判断泡沫破裂的可能时间点。
3.画出10条均方差最小的模拟路径，即我们认为未来最有可能发生的路径。
LPPL模型中共有7个参数需要估计，即（A，B，C，tc，m,ω,φ），其中4个非线性参数（tc，m,ω,φ），三个线性参数（A，B，C）。为了降低参数拟合的数量，同时也为了确保参数估计的稳定性，我们可以将线性参数表示成非线性参数估计值的表达式，从而只需估计非线性参数即可。我们可以将LPPL模型简化为
ln p(t)=A+Bf(t)+Cg(t)
则线性参数（A，B，C）可以通过如下方程来求解：
至于非线性参数的估计，我们只需利用非线性最优化求解即可。
本条目对我有帮助2
分享到：
如果您认为本条目还有待完善，需要补充新内容或修改错误内容，请编辑条目。
本条目由以下用户参与贡献
Lin.
页面分类:金融理论
评论(共0条)
提示:评论内容为网友针对条目"对数周期性幂律模型"展开的讨论，与本站观点立场无关。
发表评论请文明上网，理性发言并遵守有关规定。
范文二：中国股市的泡沫与反泡沫_基于对数周期性幂律模型的实证研究_吉翔
DOI:10.13781/j.cnki.1007-9556.2012.12.006
２０１２年１２月第３４卷第１２期
山Joumal of Shanxi Finance and Economics University
Ｄｅｃ．，２０１２Ｖｏｌ．３４Ｎｏ．１２
金融·投资
中国股市的泡沫与反泡沫
———基于对数周期性幂律模型的实证研究
吉
翔1，高
英2
（1. 中国人民大学财政金融学院，北京100872；2. 现代国际金融理财标准（上海）有限公司，北京100031）
［摘
要］在对股市泡沫和反泡沫的概念界定和形成机理进行规范分析的基础上，使用对数周期性幂律模型对我国股市的
泡沫与反泡沫进行了分时间段的实证分析，得出了我国股市具有分形特征、存在对数周期性幂律泡沫及反泡沫、沪深两市转制趋于同步等一系列结论，提出了中国应适时适当使用财政政策、完善股市对称性等政策建议。
［关键词］泡沫与反泡沫；股票市场；对数周期性幂律模型；分形特征［中图分类号］F 832
［文献标识码］Ａ
［文章编号］１００７－９５５６（２０１２）１２－００２７－１２
Bubbles and Anti-bubbles in China ’s Stock Market －－－－ＡｎＥｍｐｉｒｉｃａｌＳｔｕｄｙＢａｓｅｄｏｎＬＰＰＬＭｏｄｅｌ
ＪＩＸｉａｎｇ１，ＧＡＯＹｉｎｇ２
（１．ＴｈｅＳｃｈｏｏｌｏｆＦｉｎａｎｃｅ，ＲｅｎｍｉｎＵｎｉｖｅｒｓｉｔｙｏｆＣｈｉｎａ，Ｂｅｉｊｉｎｇ１００８７２；２．ＦＰＳＢＣｈｉｎａＬｔｄ，Ｂｅｉｊｉｎｇ１０００３１，Ｃｈｉｎａ）Abstract ：On the basis of normatively analyzing the definition and formation of bubbles and anti-bubbles, the paper performs an empirical analysis on data fitting for the bubbles and anti-bubbles of China ’s stock market by employing the log-periodic power-law model and finds a series of valuable conclusions including that China ’s stock market owns fractal characteristics, there are log-peri －odic power-law bubbles and anti-bubble in China ’s stock market and Shanghai stock market and Shenzhen stock market changes more and more synchronized. Finally, this paper provides some suggestions, such as China should use fiscal policies duly and properly and improve the symmetry of stock market.
Key Words ：bubble and anti-bubble; stock market, LPPL (log-periodicpower-law); fractal characteristics
一、引言
20世纪80年代以来世界上发生了一系列股市
泡沫事件，1987年美国股市的“黑色星期一”在世界范围内造成股市联动暴跌。90年代初，日元升值引发了日本房地产市场和股票市场的泡沫破裂，随后日本经济便陷入低迷，一蹶不振。1997年，泰国股市泡沫破裂，进而引发了波及整个东南亚的金融危机。2007年底，美国再次爆发了由次级贷款引发的金融危机，并且愈演愈烈，将全世界都拖入到经济危机中。这一系列泡沫事件对世界经济产生的恶劣影响让人不得不重视股市泡沫的存在、演变及其对经济
［收稿日期］２０１２－１１－１８
的影响。
现实社会中，近些年我国资本市场制度日趋完善，规模日益扩大，股票市场发展迅猛。依据世界各国资本市场的发展经验，在市场经济发展的初期阶段，一国经济的快速发展必然催生一定程度的泡沫，而泡沫从某个角度来讲也可以反过来刺激经济的发展，但其前提条件是必须将泡沫的规模控制在适当范围之内。这是因为，如果泡沫的发展和扩大失控，那么经济的增长必然蕴含着极大的宏观金融稳定性风险，极有可能引发经济危机。因此，如何判定和评估我国股市中的泡沫成分、控制泡沫规模、防范金融
［作者简介］吉翔（1987-），女，山西晋城人，中国人民大学财政金融学院博士研究生，研究方向是国际金融与资本市场；高英
（1985-），女，河北唐山人，现代国际金融理财标准（上海）有限公司研究员，研究方向是金融理财。
·27·
泡沫稳定性风险以及削弱金融泡沫破裂的不良影响，是目前我国资本市场发展需要解决的重要问题。
理论研究中，股市泡沫理论是金融学理论体系
的新成员，还有许多研究盲点需要填补。比如，在理性预期理论框架下，有效市场假说(EMH)无法解释处于多重均衡状态下的泡沫系统。为了更好地分析和解释这些现象，在20世纪80年代末，
开始有一些经济学家试图用行为金融理论来解释那些由于非理性因素所导致的泡沫现象，但行为金融理论仍然没有摆脱对现代金融理论的依赖。到90年代，经济学家为股市泡沫的研究在物理学领域找到了新的理论基础———
分形和混沌理论，至此，股市泡沫的研究打开了新的局面。
综上所述，目前，在有效市场理论已失效的证券市场上，基于传统线性范式的理性泡沫模型已经不再适应金融市场的变化形势，而仅仅基于行为金融学的非理性泡沫模型也不能从根本上回答金融泡沫运行演化的机制。因此，如何在非线性的框架下合理界定和测度金融泡沫和反泡沫，揭示泡沫与反泡沫的形成与运行机制，需要我们尽快给出系统和明晰的答案。
二、文献综述及概念界定
目前，国内外金融学者对股市泡沫及反泡沫的概念还未形成统一观点，这就给金融泡沫的研究带来一些概念上的模糊和混淆，也为金融泡沫理论在实践上的应用带来了较大难度。此外，对反泡沫也仅仅从统计物理学的角度来定义，尚未有从金融学角度的定义。众所周知，进行学术研究的基本前提就是对相关概念的清晰界定。因此，如何科学、合理地从理论上界定泡沫和反泡沫的概念，是我们首先应该解决的问题，而对概念的清晰界定必然基于对相关文献系统梳理的基础之上。
（一）文献综述
对于股市泡沫的学术研究大致经历了理性泡沫理论、非理性泡沫理论和对数周期性幂律泡沫模型三个阶段。
1. 理性泡沫理论阶段。20世纪80年代，以Blanchard 和Weston 创立的动态预测模型的应用为标志，理性预期理论及数理金融广泛被国际经济学界用于理性泡沫的研究中。Blanchard 和Weston 以套利均衡为假设前提，对金融泡沫的形成过程建立动态预测模型，重复迭代求解预测模型，得出理性泡沫解[1]。1994年，Flood 在此基础上继续研究，提出了泡沫形成的必要条件是价格与预期价格正相关[2]。相对于国外，我国的相关研究起步较晚，且主要集中于对泡沫的检验上。刘松在2005年利用改进后的股票·28·
内在投资价值模型，测算了我国股市目前的内在投资价值以及股市泡沫的绝对规模和相对规模[3]。李广子在2009年的研究分析中表明，风险资产价格的理
性泡沫与该风险资产对应公司存在的软预算约束呈正相关关系，而且，只有当公司存在软预算约束时，其对应股票才存在正的理性泡沫[4]。理性泡沫理论的三个核心假设前提（理性预期、投资者风险中性以及投资者主观贴现率为正）都过于理想化，因而导致现实经济生活中的众多泡沫现象难以通过理性泡沫模型进行解释。
2. 非理性泡沫理论阶段。由于理性泡沫理论无法对在现实世界中普遍存在的非理性投资行为做出解释，一些学者开始以行为金融理论为基础探寻泡
沫产生的机理。
1990年，De Long 等人开创性地建立了噪声交易者模型，他们认为正是由于股市中大量投资者不理性的投资行为造成的噪声交易以及大量
投机套利者的风险规避行为，导致了股市泡沫的产生与膨胀[5]。随后在1991年，Topol 提出的传染模型认为，投资者对其他投资者投资行为的快速反应是
形成股市泡沫的原因[6]。国内方面，
2002年，在深入研究了市盈率法和资本资产定价模型（CAPM ）这两种股票定价模型之后，吴世农提出一种新的股市泡沫测量模型，得出了我国股市泡沫更多地表现为非理性泡沫这一结论[7]。2007年，贾男在区分理性泡沫和非理性泡沫内涵的基础上，从理论模型与我国实际两个方面探讨了非理性泡沫的产生及演进机理[8]。以上以行为金融理论为基础的非理性泡沫模型虽然弥补了理性泡沫理论无法解释股市非理性行为的不足，但其仍是以现代金融理论为基础，因此对金融泡沫运行的演化机制仍不能给出合理的解释。3. 对数周期性幂律泡沫及反泡沫模型阶段。伴随着非线性理论的发展，更多学者在研究中使用了分形理论。1996年，Sornette 等人通过实证研究证明，泡沫在趋向崩盘过程中呈现对数周期性振荡[9]。2001年他们进一步提出，股市泡沫可以在对数周期性幂律模型中找到理论依据，并通过对新兴市场股市泡沫的实证研究证实了这一结论。反泡沫的概念最早是由Johansen 和Sornette 在1999年发表的论文中提出的，在这篇论文中，他们用三阶朗道模型预测了日经指数在1999年的走势，并成功预言了日经指数的反弹以及在2000年初的再次下跌，而且他们所预言的反弹幅度和实际幅度也很吻合。随后，Wei-Xing Zhou 和Didier Sornette 在2002年底研究了标准普尔指数在新经济泡沫破裂之后的走势，发现美国股市已经进入反泡沫阶段，进而发现在西方发达国家中存在着全球性的反泡沫机制。国内方面，
张维、黄兴（2001）通过对沪深股市进行R/S实证分析，揭示了中国股票市场波动的非线性特征。张晓莉（2007）研究得出了沪深两市非周期循环的平均长度。
需要指出的是，虽然对数周期性幂律模型能够很好地刻画金融泡沫与反泡沫机制，但是至今仍没有很好的方法可用于确定金融反泡沫的湮灭，因此增加了预测的不确定性。
（二）泡沫与反泡沫的概念界定及形成机理综合前文的分析，本研究认为，股市泡沫产生的根本原因在于股市投机行为的存在，直接原因在于投资者对股票价值的过高预期以及其他投资者对前人行为的效仿。泡沫的存在意味着股票市场价值相对其基础价值出现严重偏离。当我们说到泡沫时，通常是指金融资产的市场价格高于其基础价值而加速
膨胀的一种经济现象。
这意味着在泡沫状态下，股价的波动振荡周期相对较短，从而加快了股价涨到至高点的上升过程。
本研究中所指的金融市场反泡沫是泡沫的对立形态，如果说泡沫的产生会加速股价的膨胀，那么反泡沫则会减速股价的收缩。我们可以将反泡沫理解为一种市场自发的对泡沫的缓解或回调机制。总而言之，当我们说到反泡沫时，通常是指金融资产的市场价格低于其基础价值而减速收缩的一种经济现
象。
这意味着在反泡沫状态下，股价的波动振荡周期相对较长，从而放慢了股价涨到至高点后（也可能是股市泡沫破灭后）的急剧下降过程，可以在一定程度上挽救股市泡沫破灭后股价急剧缩水带来的不良后果。这也说明，股市同其他统计物理系统一样具有自组织的特点，在趋于临界点时有发生合作行为的潜在可能。这种合作行为有其存在的合理性，比如政府救市政策的出台，以及一些投资者破罐破摔的心态等，这些都可能减缓股市泡沫破裂后的股价下跌速度。
总之，金融泡沫与反泡沫的形成与运行发生在一个非常复杂的动态系统中。首先，金融市场构成了泡沫以及反泡沫孕育、形成和发展的动态系统。其次，由于金融市场的运行状态受到系统内外各种因素的直接或间接影响，再加上金融市场具有信息不对称、不完全、不确定这三大缺陷，因此，金融市场上的投资者不可能达到无限理性，这就导致了金融资产价格与基础价值的严重背离，进一步催生了金融泡沫或者反泡沫的形成。
可见，经济性和非经济性的影响因素是金融泡沫和反泡沫运行路径发生变化的诱发因素，而金融市场的三大缺陷为其提供了根本条件，市场参与者的投机心理则扮演了触媒的角色。由于金融市场上
的投机具有正反馈等特性，因此以上谈到的诱发因素对金融泡沫和反泡沫的产生运行具有较大影响。在现实的金融市场上，金融资产价格与其基础价值相背离已经是一种常态。
三、上文的文献综述表明，从上世纪90年代至今，对股市泡沫的理论研究经历了从线性到非线性、从完全理性到有限理性的升级，相应地诞生了一些新的理论和方法，比如证券市场非线性动力学理论，而对数周期性幂律模型就是在此基础上发展起来的。
（一）分形理论
1997年，著名的数学家芒德勃罗对金融市场价格变动的研究发现，分形几何中的一些模型可以为金融资产价格的波动现象提供理论支撑。在资本市场中，每一个新的信息被公布之后，投资者不会在同一时间做出反应，而是依据个人判断先后做出反应，因此，这一新信息对股市的影响便随着时间的推移衰减。对信息不均等的消化可能会导致一个有偏的随机游动，即分形时间序列。
分形的特征包括自相似性、标度不变性和层次性、递归性。分形维是描述分形时间序列的特征量，它可以用来测度金融时间序列参差不齐的程度。一条直线分形维是1，一个平面的分形维是2，那么随机游动的分形维则介于直线与平面之间，为1.5。根据Hurst 指数的三种不同取值，可以判断时间序列的三种不同类型。如果Hurst 指数介于0和0.5之间，则变量之间呈现负相关关系，对应的时间序列是反持续性的或均值回复的；如果Hurst 指数等于0.5，则变量之间相互独立，随机变量的当前取值不会影响未来取值，随机变量呈布朗运动；如果Hurst 指数介于0.5和1之间，则变量之间呈现正相关关系，对应的时间序列是持续性的或趋势增强的。H 越接近1，这种持续性越强，波动越平缓。分形理论中的Hurst 指数可以使用英国水文家赫斯特提出的重
标度极差分析法（Rescaled Range Analysis, R/S）①
估计出来。
（二）混沌理论
混沌现象在经济学表现为一种类随机行为，它是由经济系统中各因素之间的非线性作用关系所决定的。假设股票市场是一个非线性系统，则由于其资产价格在分形特征上表现为一种循环和趋势，所以价格在短期内可预测。然而，由于混沌系统对初始条件敏感且为反馈系统，因此从内在特性上讲，资本市场不适合作长期预测。如果把混沌系统的临界效应理论运用到资本市场上，将泡沫爆裂同临界点相类比，则处于混沌边缘的“自组织临界状态”为我们提
·29·
供了长期预测的可能性。
（三）对数周期性幂律模型
将市场崩溃和临界点相类比的思想，意味着我们可以用幂律来拟合价格或者其对数值，而由于交易者之间的相互模仿，并通过正反馈形成集体效应，导致价格非线性振动，近似于对数周期性振动，因而使得市场最终的崩盘得到了市场动力学的解释，这就是对数周期性幂律模型②的理论基础。
在资产的价格等于预期贴现盈利的前提下，随机定价内核理论假设存在一个随机贴现因子M ，从而实现对所有资产的相容定价，假设随机贴现因子M 的动力学模型为：
M(t)
=-r(t)d(t)-φ(t)dW(t)+g(t)dW赞（1）随机贴现因子M 的漂移项体现了贴现率与时间之间的指数关系。随机过程φ代表风险的市场价格，由资产收益率和随机贴现因子的协方差度量。最
后一项g(t)dW
赞包含了所有作用于随机贴现因子的其他随机因素，这些随机因素与dW 无关。
价格动力学的标准形式为：dp p
=μ(t)dt+σ(t)dW-kdj（2）
其中，
dW 为无漂移单位方差随机游走的增量，dj 为跃迁过程，崩盘未发生时其值为0，发生崩盘时其值为1。崩盘风险率h(t)为：
E t [dj]=h(t)dt（3）
为得到理性预期的价格动力学，需要使过程pM 为鞅，这样一来，在没有崩盘或飙升的情况下，即dj=0，可得预期价格为：
E t to [p(t)]=p(t0)L(t)expτk 乙t d τh(τ) （4）
τ
其中，L(t)=exp
τ乙t
t d ττr(τ)+σ(τ) 覬(τ) τ
τ（5）
公式（4）的价格模型表明，资产价格p(t)受三个因素的影响：（1）无风险利率r(t)提供了用于作为市场收益的参考指标；（2）价格波动率σ(t)与随机贴现因子的市场风险价格覬(t)的乘积；（3）崩盘风险率h (t)，市场回报率越大，崩盘风险也越大。
考虑到泡沫和反泡沫期间的相互模仿所产生的间歇性正反馈，崩盘风险率可用对数周期性幂律模型描述：
h(τ)=B′x α-1+C′x α-1cos[覣lnx-覬′]（6）ln[p(t)]=A+xα[B+Ccos[覣lnx-覬]]（7）其中，覬是一个与覬′不同的相位，A=ln[p(tc )]，并且有：
·30·
B=dx k dt βB ′，C=dx k dt 姨C ′
（8）
满足风险正数率条件的充要条件为：B α=-Bα>C 姨（9）一个更为一般的模型可以用下式表示：I(t)=A+Bxα+Cxαcos[覣lnx-覬]
（10）
这里，x=tc -t 度量的是到临界点t c 的时间，是市场机制转变的时间；A 是临界时间点t c 的对数价格；覣表示对数振荡的角频率；对于0<><><0，幂律项bx>
指数增长；与cos(覣lnx-覬) 成比例的项表示的是对超指数行为的修正。当I(t)=ln[p(t)]时，相当于假设在泡沫破裂时市场的调整或崩盘幅度与总价格成正比，本文在第四部分的实证分析中，将取I(t)=ln[p(t)]。
在对模型进行拟合时，我们需要确定7个参数，即t c 、α、覣、φ、A 、B 、C 。因此我们最佳的步骤是，先用最小二乘法解析确定线性待定参数，然后将其代入目标函数以得到一个仅基于非线性待定参数的被浓缩”了的目标函数。另外，基于数据的带噪特性以及拟合函数至少具有4个参数且高度非线性的事实，目标函数具有多个局部最小值，为避免最优化过程为局部最优俘获，下文的实证分析中我们采用禁忌搜索的方法。
四、我国股市基本特征的实证检验
由于非线性分析方法的分形理论在运用时没有独立、正态和随机游走的前提约束，因此本部分将首先对我国证券市场的有效性进行检验，然后使用R/S分析方法，对我国股票市场的分形特征进行检验与分析，从而为下一阶段进行泡沫与反泡沫的实证研究做准备。
（一）我国股市收益率的正态分布检验
本文选取上证综指和深证成指这两个在我国证券市场上非常重要的股票指数作为实证研究的对象，选取指数日收盘价数据，数据来源于雅虎财经网站。选取的时间段是从1999年5月4日到2010年3月2日，共计2691个样本。在本部分的收益率正态分布检验中，为了避免受到股价时间序列相关性以及时间趋势项的干扰，此处使用对数收益率而非原始收益率进行检验。上证综指和深证成指的统计特征值如表1所示。
表1
上证综指和深证成指的统计特征值
上证综指
深证成指容量２６９１２６９１均值０．０００３７２０．０００５４６标准差
０．０１７３３１
０．０１８９４７
“
（续表1）
峰度Ｋ６．８０３１１４６．１８１８９偏度Ｓ－０．０３７４２７－０．０２９３７Ｊ－Ｂ统计量１６２１．７６５１１３５．１６６概率Ｐ
０．００００００
０．００００００
由表1的统计结果可见，上证综指和深证成指的峰度均大于3，偏度均不为0，且J-B 检验的P 值均约为0，因此认为，上证综指收益率和深证成指收益率分布均具有尖峰厚尾的特征，不服从正态分布，由此可以初步判定我国股票市场具有非线性的特征。
（二）我国股市的分形特征检验
上一节的实证结果表明我国证券市场具有非线性特征，是一个非线性系统。本节中我们用分形理论来对我国证券市场进行分形特征的检验。在估计和回归前我们要使用AR(l)回归消除收益率序列中的序列自相关性，消除序列S t 的序列线性相关，得到残差序列x t =St+1-(a+bSt ) ，
其中，a 和b 是AR(1)的系数，x t 为残差。我们首先用Eviews 软件计算得出对数收益率序列的AR(1)残差序列，然后将R/S分析方法用Matlab 软件进行编程，估计AR(1)残差序列的Hurst 指数。用R/S分析方法估计出来的上证综指和深证成指收益率的Hurst 指数值和分形维见表2。
表2
上证综指和深证成指的Hurst 指数值与分形维
指数Ｈｕｒｓｔ指数分形维Ｄ上证综指０．５６３４４１．４３６５６深证成指
０．５３４１８
１．４６５８２
从表2中我们可以看出，运用R/S分析方法计算出上证综指和深证成指的Hurst 指数均大于0.5，这充分说明收益序列具有长期记忆性或趋势增强的特性。无论是上证综指还是深证成指都表现出了长期记忆以及趋势增强的特征，证明了我国沪深两市的股价确实遵循有偏的随机游走过程，分形市场假说成立。这意味着，下一步我们可以通过分形特征初步判定我国证券市场存在标度不变性。
五、我国股市泡沫与反泡沫的实证分析
我们已经验证了我国股票市场是非线性系统，并且具有分形特征，满足标度不变性，从而为股票市场价格的对数周期性提供了基本证据，在本部分中我们将用对数周期性幂律模型对我国股票市场的泡沫与反泡沫进行实证研究。
（一）数据的选取、分段及走势股票市场在我国起步较晚，以1990年上海证券交易所、深圳证券交易所的正式成立为标志，至今已
有逾20年的历史，从起步、试点、转轨到调整，成绩的背后也同样存在很多问题，其自身发展过程中不
乏泡沫与反泡沫的存在。
1. 数据的选取及整体走势。为了检验我国股票深证成指这两个在我国证券市场上非常重要的股票指数作为实证研究的对象，整个实证研究的时间长度是从1999年5月到2009年9月，大致是21世纪的第一个十年。图1展示了我国股票市场上这两个股指在这一阶段的基本走势，本文选取不同的时间段对我国股市进行分阶段研究，竖线大致划分出了实证研究的不同时间段，具体研究分段与图示略有不同。
整体走势图
2500.0020000.0015000.0010000.005000.00
0.00
4444
144444444444444
00000440000000000000000---------------------5151515151515151515010101010101510101010------------01---------990011223344677889990000000000556000000990000000000000000000112222222222000222222222深证成指收盘价
上证综指收盘价
图1上证综指和深证成指整体数据基本走势图
2. 数据的分段及各区段走势。基于上一节对整体数据的走势分析，我们根据前人的研究，选取股指4个时间段的数据，数据的基本描述如表3所示。
表3分段数据的基本描述
时间区间
时间跨度拟研究的
泡沫形式１９９９年５月～２００１年９月２．３３年泡沫２００１年４月～２００５年６月４．１７年反泡沫２００５年７月～２００７年１２月２．４２年泡沫２００８年１０月～２００９年９月
０．９２年
泡沫
下面我们将给出各个时间段股市的发展状态即
划分依据。
（1）1999年5月到2001年9月。这一阶段为股市的试运行阶段。证监会出台了一系列提振股市的政策，允许保险资金及三类资金入市，此外还放开了券商以自营股票为抵押申请银行贷款的渠道。受这些利好政策的影响，2001年6月13日，上证指数收盘价达到历史最高点2242.4点，次日更是创下上证指数历史最高2245点。在此期间，我们将用对数周期性幂律模型来对我国股市的演化进行建模，从而对我国股市泡沫进行检验与分析。
·31·
（2）2001年4月到2005年6月。2001年股指继续上行，到6月14日创出2245点的历史新高。也正是在这个月，国家政府部门出台了一系列对股市
《减持国有股筹集进行综合治理的方案及举措，先有社会保障资金管理暂行办法》的颁布及印发，后有国有股减持改革方案的施行。受一系列改革政策出台到2001年10月的影响，这一时期的股市一路下滑。
22日，短短4个月时间里，上证指数跌至1520.7点，缩水达32.2%，到2002年1月29日更是跌至最低1339点，大熊市一直持续到2003年11月13日的1307.4点。虽然在之后的2004年得益于QFII(合格的境外机构投资者) 的引进以及基金业绩的普遍好转，在2004年4月7日上证指数一度反弹至1783.01点。但是，由于市场投机行为严重，2005年6月6日上午11时03分，上证指数跌至998.23点，创下了自1997年2月21日以来的市场新低。在此期间，我们将用对数周期性幂律模型来对我国股市的演化进行建模，从而对我国股市进行反泡沫的检验与分析。
（3）2005年7月到2007年12月。在2005年4月29日，经过国务院批准，我国证监会发布了《关于上市公司股权分置改革试点有关问题的通知》，宣布启动股权分置改革试点工作。随着股权分置改革的启动，我国股市逐渐走入黄金发展的机遇期。2005年6月8日我国股市暴涨，疯涨了8%的“人工牛市”股票创下了自2002年以来最大日涨幅和最大单日成交记录，沪深两市共有120只股票涨停，两市共成当年的沪深股交317亿元。2006年股改正式启动，
市领涨全球，回报率居世界之首。从2005年12月起，上证指数从1079.20点上涨至2007年5月29日的4334.92点，涨幅高达约400%。这些都表明，
表5
时间段
ｔｃ
我国的股票市场已经出现了泡沫的迹象。在此期间，我们将用对数周期性幂律模型来对我国股市的演化
进行建模，从而对我国股市泡沫进行检验与分析。
（4）2008年10月到2009年9月。2007年10月到2008年10月，中国股市从6000多点跌至2000点以下，政府出台了一系列政策救市，例如4万亿元人民币投资的刺激政策，金融机构开始大量贷款，股
2008年10月到2009年9月这一阶价开始上升，
段，上证综指从2000点以下升到3400多点，由此
可见，此阶段泡沫的形成与我国政府应对全球金融危机的政策有关。在此期间，我们将用对数周期性幂律模型来对我国股市的演化进行建模，从而对我国股市泡沫进行检验与分析。由上证综指和深证成指的价格演变过程，我们可以得出指数价格演变的市场机制转变时间，结果见表4。
表4
上证综指和深证成指市场机制转变的实际时间
上证综指２００１年６月１３日２００１年６月１３日
深证成指２００１年４月１８日２００１年４月１８日
时间段１９９９年５月～２００１年９月２００１年４月～２００５年６月２００５年７月～２００７年１２月２００８年１０月～２００９年９月
２００７年１１月１日２００７年１０月１８日２００９年８月４日
２００９年８月４日
（二）模型拟合结果
1. 模型拟合参数。本节中我们将使用一阶模型对上证综指和深证成指4个时间段的数据集进行拟合，在一阶对数周期性幂律模型中，我们取I(t)=ln[p(t)]。本文使用Matlab 软件进行编程运算。上证综指和深证成指各个阶段模型拟合的参数结果如表5和表6所示，其中χ表示拟合残差的均方根。
上证综指对数周期性幂律模型拟合参数结果
α
覣覬ＡＢＣχ
１９９９年５月～２００１年９月２００１年６月１５日０．９９９９９９１６．１９１５００１．６７８５００２００１年４月～２００５年６月２００１年６月１９日０．６１３２２０
６．３９３３００
０．００４６７５
７．７４５５００－０．０００６９００．０００１７４０．０５６９５３７．５５８９００－０．００４６５１０．０００４１７０．０６４５４９
２００５年７月～２００７年１２月２００７年１１月６日０．０００００７１１．０８２２１７０．１８２８３４１２２７１５．４１－１２２７０２．８３０．０６９９６２０．０５１６３３２００８年１０月～２００９年９月２００９年８月６日
表6
时间段
１９９９年５月～２００１年９月
ｔｃ
２００１年４月３日
０．４７３３９９１１．３９１２６２１．２３６３７９
８．３１７６０７－０．０５６２４３－０．００２２３１０．０３３４８２
深证成指对数周期性幂律模型拟合参数结果
α
覣覬ＡＢＣχ
０．９９９９９９１３．８３１９２８２．８８８１５４０．９９９９９９
１．４６６７３６９．５２４８４１
５．１８７０８３２．１０５５０９
８．５５６６８２－０．０００５８１－０．０００２２８０．０７１４０９８．５３２７４４－０．００１１２９－０．０００５９９０．０６７２９２５８．０１－２３２４４．３９０．０８８４８１０．０６６７５４９．７０１６００－０．０３７４２２０．００１０６７０．０３４９１６
２００１年４月～２００５年６月２００１年４月１５日
２００５年７月～２００７年１２月２００７年１０月１２日０．００００３７２００８年１０月～２００９年９月２００９年８月１１日
０．５７４０７０１９．８１２０００４．２８７６００
·32·
接着我们用风险正数率条件的充要条件B α=-Bα>C 姨来检验不同时期的上证综指和深证成指是否存在对数周期性幂律泡沫，检验结果见表7和表8。
表7上证综指崩盘风险率正数条件的判定表8深证成指崩盘风险率正数条件的判定
2. 模型拟合曲线。我们用对数周期性幂律模型
对各个时间段上证综指和深证成指的演化轨迹进行拟合，得到了图2到图9的光滑曲线，而图中的非光滑曲线表示股指取对数之后的演变轨迹，其中每个数据集拟合得出的临界时间在图中用竖线表示。
（1）1999年5月到2001年9月。
t c =2001/06/15
7.97.87.77.6]
) 7.5t (p [7.4n l 7.37.27.176.9
1999/041999/102000/042000/102001/042001/06/15
Time
图2
用对数周期性幂律模型拟合1999年到2001年
上证综指数据
t c =2001/04/03
8.88.78.68.5]
) 8.4t (p [n 8.3l 8.28.187.97.8
1999/04
1999/10
2000/042000/102001/04/03
Time
图3用对数周期性幂律模型拟合1999年到2001年
深证成指数据
（2）2001年4月到2005年6月。
7.7t c =2001/06/19
7.67.5
]
) t 7.4(p [n l 7.37.27.176.9
2001/012001/06/192002/01
2003/01
2004/012005/012006/01
Time
图4用对数周期性幂律模型拟合2001年到2005年
上证综指数据
8.8t c =2001/04/15
8.78.68.5]
8.4) t (p 8.3[n l 8.28.187.92000/127.8
2001/04/152002/012003/012004/012005/012006/01
Time
图5用对数周期性幂律模型拟合2001年到2005年
深证成指数据
（3）2005年7月到2007年12月。
·33·
t c =2007/11/06
8.88.68.48.287.87.67.47.276.8
2005/01l n [p (t ) ]
l n [p (t ) ]
（4）2008年10月到2009年9月。
t c =2009/08/06
8.48.38.28.187.97.87.77.67.57.4
2008/10
2006/012007/012007/11/06
Time
图6
用对数周期性幂律模型拟合2005年到2007年
上证综指数据
t c =2007/10/12
2008/122009/022009/042009/062009/08/06
Time
图8
用对数周期性幂律模型拟合2008年到2009年
上证综指数据
t c =2009/08/11
9.59.49.39.2l n [p (t ) ]
2005/10
2006/04
2006/10
2007/042007/10/12
9.198.98.88.78.68.5
2008/10
2009/01
2009/04
2009/072009/08/112009/10
9.89.69.49.298.88.68.48.287.8
2005/04
l n [p (t ) ]
Time
图7
用对数周期性幂律模型拟合2005年到2007年
深证成指数据
Time
图9
用对数周期性幂律模型拟合2008年到2009年
深证成指数据
将上述拟合的结果汇总，如表9所示。
表9上证综指和深证成指拟合临界时间差别上证综指
时间段
拟合临界时间ｔｃ
１９９９年５月～
２００１年６月１５日
２００１年９月
２００１年４月～
２００１年６月１９日
２００５年６月
２００５年７月～
２００７年１１月６日
２００７年１２月
２００８年１０月～
２００９年８月６日
２００９年９月
实际转变时间２００１年６月１３日２００１年６月１３日２００７年１１月１日２００９年８月４日
拟合与实际差别天数
２６５２
拟合临界时间ｔｃ２００１年４月３日２００１年４月１５日
深证成指实际转变时间２００１年４月１８日２００１年４月１８日
拟合与实际差别天数
－１５－３－６－７
２００７年１０月１２日２００７年１０月１８日２００９年８月１１日
２００９年８月４日
（三）临界时间和振荡频率的敏感程度分析临界时间t c 的测定是非常重要的，因为临界时间给出了泡沫终止或反泡沫开始的估计时间。泡沫不一定是以崩溃形式结束的，也有可能是以市场机制转变的形式结束，如通货紧缩，而对数周期性幂律泡沫经常在临界点t c 处以市场崩溃的形式结束。考虑到t c 的重要性，我们可以选取不同的开始时间t 1和结束时间t 2，对t c 进行敏感程度分析，比较相对于·34·
不同开始和结束时间点拟合参数的稳定性。1. 开始时间的影响。
（1）开始时间t 1到2007年12月。我们首先研究开始时间t 1对临界时间t c 和振荡频率覣的影响。我们用一阶对数周期性幂律模型拟合t 1到2007年12月的数据，t 1的选取范围从2005年1月4日到2005年12月29日，间隔时间为20个交易日，拟合结果见图10和图11。
2007/11/242007/11/142007/11/042007/10/252007/10/152007/10/05
2007/09/252007/09/15
2005/01/042005/04/072005/07/072005/09/292005/12/29
上证综指
深证成指
图10
临界时间t c 对开始时间t 1的敏感程度分析
(结束时间为2007年12月)
6.005.004.003.002.001.00
0.00
2005/01/04
2005/04/072005/07/07
2005/09/29
2005/12/29
上证综指
深证成指
图11
振荡频率覣对开始时间t 1的敏感程度分析
(结束时间为2007年12月)
由图10和图11我们可以看出，对不同的开始时间t 1，模型拟合的两个指数的临界时间的变化是较为稳定的，变化范围为2007年10月10日到2007年11月12日，而振荡频率的变化也不是很大，变化范围为0到6，这说明临界时间t c 对开始时间t 1的敏感程度不大，振荡频率覣对开始时间t 1的敏感程度也不是很大。
（2）开始时间t 1到2009年9月。接着我们开始用一阶对数周期性幂律模型拟合开始时间t 1到2009年9月的数据，t 1的选取范围从2008年8月1日到2008年12月29日，间隔时间为10个交易日，拟合结果见图12和图13。
2009/09/142009/09/042009/08/252009/08/152009/08/052009/07/262009/07/16
2008/08/01
2008/09/122008/11/03
2008/12/15
上证综指
深证成指图12临界时间t c 对开始时间t 1的敏感程度分析
(结束时间为2009年9月)
25.0020.0015.0010.005.00
0.00
2008/08/01
2008/09/12
2008/11/03
2008/12/15上证综指
深证成指
图13振荡频率覣对开始时间t 1的敏感程度分析
(结束时间为2009年9月)
由图12和图13我们可以看出，对于不同的开始时间，模型拟合的两个指数的临界时间t c 的变化是较为稳定的，变化范围为2009年8月3日到2009年9月3日，而且拟合两个指数数据得出的临界时间最终趋向于相同。振荡频率覣在2008年10月15日之前变化较大，变化范围从0到24，而在这之后则趋向于平稳。这说明临界时间t c 对开始时间t 1的敏感程度不大，而振荡频率覣在2008年10月15日之前对开始时间t 1的敏感程度较大，在这之后敏感程度不大。
2. 结束时间的影响。
（1）2005年7月到结束时间t 2。接下来我们开始研究结束时间t 2对临界时间t c 和振荡频率覣的影响。我们用一阶对数周期性幂律模型拟合2005年7月到t 2的数据，t 2的选取范围从2007年5月8日到2007年9月25日，间隔时间为10个交易日，拟合结果见图14和图15。
2007/11/242007/11/142007/11/042007/10/252007/10/152007/10/05
2007/09/25
2007/05/08
2007/06/192007/07/31
2007/09/11
上证综指
深证成指
图14
临界时间t c 对结束时间t 2的敏感程度分析
(开始时间为2005年7月)
14.0012.0010.008.006.004.002.000.00
2007/05/082007/06/192007/07/31
2007/09/11
上证综指
深证成指
图15
振荡频率覣对结束时间t 2的敏感程度分析
(开始时间为2005年7月)
·35·
由图14和图15我们可以看出，对于不同的结束时间，模型拟合的两个指数的临界时间t c 的变化是较为稳定的，变化范围为2007年10月12日到2007年11月14日，而振荡频率覣在2007年7月初发生了一次跳跃式变化，在跳跃之前和之后变化都比较平稳，且拟合得到的两个指数的振荡频率覣变化是一致的，频率也十分接近。
（2）2008年9月到结束时间t 2。接下来我们用一阶对数周期性幂律模型拟合2008年9月到t 2的数据，t 2的选取范围从2009年5月4日到2009年7月15日，间隔时间为5个交易日，拟合结果见图16和图17。
2009/08/302009/08/252009/08/202009/08/152009/08/102009/08/052009/07/312009/07/262009/07/212009/07/16
2009/05/042009/05/252009/06/172009/07/08
上证综指
深证成指
图16
临界时间t c 对结束时间t 2的敏感程度分析
(开始时间为2008年9月)
25.0020.0015.0010.005.000.00
2009/05/04
2009/05/252009/06/17
2009/07/08
上证综指
深证成指
图17
振荡频率覣对结束时间t 2的敏感程度分析
(开始时间为2008年9月)
由图16和图17我们可以看出，对于不同的结束时间，模型拟合的两个指数的临界时间t c 的变化是较为稳定的，变化范围为2009年7月31日到2009年8月24日，这说明临界时间t c 对结束时间t 2的敏感程度不大。而对不同的结束时间，上证综指振荡频率覣的变化较大，深证成指振荡频率覣是平稳的，这说明上证综指振荡频率覣对结束时间t 2的敏感程度较大，而深证成指振荡频率覣对结束时间t 2的敏感程度不大。
综上所述，我们可以看到，临界时间t c 对不同的开始时间t 1和结束时间t 2的敏感程度都不是很大，而振荡频率覣对开始时间t 1和结束时间t 2的敏感程度在有的时间段内相对较大，在有的时间段内则相对较小，在有的时间段内还表现出了跳跃式的变·36·
化。由此可见，我们使用对数周期性幂律模型拟合得出的临界时间较为稳定，可将临界时间t c 作为发生机制转变最有可能的时间，而振荡频率覣在描述股指价格运行上则比较不稳定，尚需要做进一步的分析。
（四）实证结果分析
通过上述模型拟合结果，我们可以得到一些结论。
（1）在表5和表6中的拟合参数结果中，1999年5月至2001年9月间的上证综指以及1999年5月至2001年9月、2001年4月至2005年6月间的深证成指拟合得到的幂律指数α=0.99999，十分接近于1，
而2005年7月至2007年12月这个区间内两个指数拟合得到的幂律指数α十分接近于0，可见公式（10）中的幂律项退化为线性项，但是由于存在对数周期性，因此t c 对应的点仍然是临界点。
而在其他时间区间，两个指数拟合得到的α满足0<><>
满足模型的假设，证明我国股市确实具有分形的特点，即自相似性、标度不变性和层次性、递归性。
（2）由表5和表6的拟合参数结果我们能够看出，可以用对数周期性幂律模型拟合两个指数各个时间段的临界时间、振荡频率、相位和拟合残差的均方根。
例如模型拟合的2008年10月到2009年9月深证成指的价格演变轨迹，结果显示，临界时间应在2009年8月份，振荡频率为19.812000，相位为4.287600，拟合残差的均方根为0.034916。用模型拟合的2001年4月到2005年6月上证综指的价格演变轨迹，结果显示，反泡沫的开始时间应在2001年6月份，振荡频率为6.393300，相位为0.004675，拟合残差的均方根为0.064549。
（3）由表7和表8的结果可以看到，用对数周期性幂律模型分阶段拟合两个指数的演变轨迹，只有1999年5月到2001年9月的价格演变不满足风险正数率条件，说明这两个指数在这一时间段内虽然总体呈上升趋势，但是不存在对数周期性幂律泡沫，也就是说，尽管这一阶段股市处于牛市的状态，但却不存在泡沫。其他阶段均满足风险正数率条件，说明其他阶段价格均存在对数周期性幂律泡沫或反泡沫。值得一提的是，对2001年4月至2005年6月这一区段的实验结果证明了我国股市熊市反泡沫的存在。这说明，我国股市初步具备自组织性，当股价处于顶点之后的跌落阶段时，能够从一定程度上自发地对股价的跌落进行减速。究其原因，一方面，监管机构在这一时期出台的完善监管体制、国有股减持、引入QFII 等政策对提振市场信心起了关键作
用；另一方面，这一时期内股市持续震荡低迷，已跌破谷底，部分投资者产生了破罐破摔的心理，采取持有并观望的态度，这种行为从一定程度上对股价的跌落也起到了减速和保护的作用。
（4）由表5和表6的拟合参数结果以及图2至图9的拟合曲线我们可以看出，我国股市上证综指和深证成指的价格波动确实呈现对数周期性振荡，并且对数周期性振荡特征清晰可见，如1999年5月到2001年9月、2008年10月到2009年9月上证综指和深证成指的拟合曲线。这证明非线性的分形理论、混沌理论以及在此基础上发展起来的对数周期性幂律模型同样适用于对我国股市的价格收益率
序列波动特征的研究。
而且，对数周期性幂律模型在理论假设时以行为金融理论为基础，用到了行为金融理论中的相互模仿、正反馈和羊群行为等思想，而在构建模型时却用到了非线性动力学理论中的分形
和混沌等理论，将市场崩溃与临界点相类比，从市场动力学角度来构建一个呈幂律形式增长且呈对数周期性振荡的模型，使行为金融学能够更好地拟合资产价格的实际波动，更好地解释金融泡沫的形成和运行机制。
（5）表9列示了上证综指和深证成指用对数周期性幂律模型拟合出来的市场机制发生转变最有可能的时间和市场机制发生转变的实际时间。通过一一对比可以发现，拟合得出的临界时间与实际时间十分接近，上证综指市场转制拟合时间与实际时间的差别平均值为3.75天，深证成指市场转制拟合时间与实际时间的差别平均值为7.75天，二者的平均值均控制在10天之内。这说明，我们可以用对数周期性幂律模型预测市场机制发生转变的时间，或者是预测泡沫或反泡沫泯灭的时间，且准确度较高。从平均水平来看，上证综指的拟合准确度比深证成指要高出4天左右，这种差别很大程度上是由于指数构成不同导致的。上证综指的计算以在上海证券交易所挂牌上市的全部股票为对象，权数是对应股票的发行量，而深证成指的计算仅以具有市场代表性的40家上市公司的股票为对象，权数是对应股票的流通股股数，其入围上市公司必须满足上市时间、市场规模和流动性这三个方面的要求。在入围的公司里面，确定成份股样本还要看公司的行业代表性及其成长性、公司的流通市值及成交额、公司的财务状况和经营业绩等，而上证综指则没有这方面的要求。另外，上海证券交易所挂牌上市交易的企业多为国民经济支柱企业、重点企业、基础行业企业和高新科技企业，而深圳证券交易所挂牌上市交易的企业多为中小企业，因此，上证综指更能反映股市基本面情
况和投资者的整体预期，其特点也更容易被对数周期性幂律模型捕捉，拟合起来更加准确。
（6）通过比较表9中的数据我们还可以发现，两
个股指临界时间的差别越来越小，拟合转制时间从1999年52001年9月的73天减小为2008年10月到2009年9月的5天，实际转制时间从1999年5月到2001年9月的56天减小为2008年10月到2009年9月的0天。通过分析，我们认为两个市场转制时间逐渐趋于同步，可能是市场机制转变造成的结果。2001年到2005年我国证券市场经历了一系列政策调整，比如推出国有股减持方案、引入QFII ，但是没有从根本上解决股权的问题，股市仍然存在供求不平衡、结构不平衡、信息披露和监管等制度不完善等问题，因此两个股指价格走势变动也不尽相同，拟合出来的转轨时间差别较大。我国2005年4月29日股权分置改革正式启动，直接瞄准了股市最根本的问题。另外，2007年美国次贷泡沫破裂后我国政府宣布价值4万亿元人民币的庞大投资计划来刺激经济的发展，也拉动了投资者的热情。
随着市场的不断发展与股改的进行，信息披露和监管等制度在不断完善，外加宏观政策的刺激，过剩的资本存量、投资者心理等因素的影响，两个证券市场的发展越来越平衡，模型估计的临界时间差别也越来越小。
（7）通过图2至图9对时间跨度不同的价格指数的拟合曲线进行对比分析，我们可以看出，实验的时间跨度越短，模型的拟合效果越好，这也证明一阶对数周期性幂律模型在拟合临界点前较短时间内的泡沫演化过程效果更好。
（8）通过对不同的开始时间t 1和结束时间t 2对临界时间t c 和振荡频率覣的影响进行分析，我们发现，综合来讲，临界时间t c 对开始时间t 1和结束时间t 2的敏感程度都不是很大，而振荡频率覣对开始时间t 1和结束时间t 2的敏感程度在有的时间段内相对较大，在有的时间段内则相对较小，在有些时间段甚至发生了跳跃式变化。因此，可将临界时间t c 作为发生机制转变最有可能的时间，而振荡频率覣在描述股指运行上尚需做进一步的分析。
六、政策建议本文在检验我国股票市场上资产价格收益率非正态分布和分形特征的基础上，运用一阶对数周期性幂律模型对我国证券市场的泡沫与反泡沫进行了实证研究，研究分析了泡沫的形成和运行机制，以及与泡沫和反泡沫产生密切相关的制度根源、市场环境和投资者心理，最终目的是对股市的内在运行机制以及投资者心理进行系统深入的分析，为决策部
·37·
门制定政策提供借鉴和参考。
（一）宏观政策建议
1. 针对泡沫的状态加强货币政策和财税政策的
配套实施。
在短期内，可以立竿见影地改变投资者对市场预期的手段就是货币政策。我们可以采取宽松
的货币政策来减轻股市泡沫破灭对经济造成的恶劣影响，同样也可以采取紧缩的货币政策来控制股市泡沫高速膨胀给经济带来的巨大风险。此外，在泡沫破裂后，适当的财政政策能够最大程度地减轻泡沫破裂对于经济产生的影响，而且适时的财政政策有助于股市反泡沫的生成，减速股价的跌落，削弱危机造成的恶劣影响。例如，2008年全球经济危机时，我国政府宣布了价值4万亿元人民币的庞大投资计划来刺激经济发展，这笔巨额的投资拉动了投资者的热情。美国财政部副部长麦考密克称，中国一系列扩大内需的举措将帮助“亚洲巨人安全渡过金融危机”。
2. 加强宏观调控政策的稳定性以及相关制度的平稳过渡，减少股市的非市场性波动。在市场经济体制之前，我国经历了较长时期的计划经济体系。我国股票市场的建立是在政府的主导下完成的，发展至今，虽然经历了多次改制，市场结构和机制也日趋完善，但市场化依然有待发展，政府决策依然发挥主导作用，政府宏观调控政策的一举一动都可能引发股价的巨幅波动，因此，政策的稳定性以及相关制度的平稳过渡对于稳定投资预期、减少股市的非市场性波动、进一步稳定股市有着重要意义。
（二）微观政策建议
1. 加强投资者教育，倡导理性投资理念。从发达国家的经验来看，成熟的机构投资者能够起到稳定市场的作用，而我国市场上的状况是散户比例高，而且噪声交易者较多，这样市场中投机泡沫产生的可能性就较大。
因此，我国证券市场一方面应该加强投资者教育，倡导理性投资理念；另一方面要培养成熟的机构投资者，规范现有投资者的投资行为，并培养新的机构投资者，增强机构投资者在股市中的稳定作用。
2. 丰富金融产品交易品种及渠道，完善股市制度的对称性。由于目前我国资本市场发展不完善，市场机制不健全，可供投资者选择的投资渠道和产品非常有限，大量的游动资金流入有限的投资产品中，就容易催生股市泡沫，因此，我国应该进一步完善做空机制，丰富交易品种，提高供给，以此来抑制泡沫的产生，培养反泡沫的生成。为此，一方面，我们需要进一步深化股权分置改革，以增加流通股股票的整体供给；另一方面，我们需要扩大投资者的投资渠道，比如，我们可以大力开拓固定收益类金融产品市·38·
场，发展期权期货等金融衍生产品市场，通过这些渠道来分散投资于股票市场的资金。
3. 提高信息披露质量，健全市场监管体系，改善股市的信息不对称。信息不对称是产生泡沫的一个重要市场环境因素，而反泡沫的存在恰恰是市场对称性的体现。在我国证券市场上，机构投资者掌握内幕信息，操纵股价，这种不公平性极大地损坏了中小投资者的利益，也进一步推进了投机泡沫的产生，抑制了反泡沫机制的自发运作。因此，我们需要强化信息披露制度，一方面要提高信息披露的及时性和准确性，另一方面要规范信息披露的内容、格式和标准。监管当局应加大对上市公司信息披露、价格欺诈、内幕交易、市场操纵行为的监管力度，规范市场的交易秩序、减少股市信息和机制结构的不对称性，促使市场向理性化与效率化的方向发展。
注释：
①具体方法详见H E Hurst.Long-term storage of reser －voirs[J].Trans. Amer. Soc. Civil Eng.,1951（116）:770—808。
②这里需要指出的是，本文主要介绍了一阶对数周期性幂律模型，基于非线性理论的研究，泡沫与反泡沫的模型还有维尔斯特拉斯族模型和朗道族模型，本文的数据拟合只用一阶模型，因此就不再介绍另外两类模型。
［参考文献］
［１］ＢＯｌｉｖｉｅｒ，ＭＷａｔｓｏｎ．ＲａｔｉｏｎａｌＥｘｐｅｃｔａｔｉｏｎｓａｎｄＦｉｎａｎｃｉａｌＭａｒｋｅｔｓ［Ｍ］．ＬｅｘｉｎｇＭＡ：ＬｅｘｉｎｇｔｏｎＢｏｏｋｓ，１９８２．
［２］ＦＲｏｂｅｒｔ，ＰＧａｒｂｅｒ．ＳｐｅｃｕｌａｔｉｖｅＢｕｂｂｌｅｓ，ＳｐｅｃｕｌａｔｉｖｅＡｔ－ｔａｃｋｓａｎｄＰｏｌｉｃｙＳｗｉｔｃｈｉｎｇ［Ｍ］．ＣａｍｂｒｉｄｇｅＭＡ：ＭＩＴＢｏｏｋｓ，１９９４．
［３］刘
松．股票内在投资价值理论与中国股市泡沫问
题［Ｊ］．经济研究，２００５（２）：４５－５３．
［４］李广子，李玲．预算软约束与资产价格理性泡沫
Ｊ］．财经研究，２００９（６）：３２－４０．
［５］ＤＢｒａｄｆｏｒｄ，ＡＳｈｌｅｉｆｅｒ，ＬＳｕｍｍｅｒｓ，ＲＷａｌｄｍａｎｎ．ＮｏｉｓｅＴｒａｄｅＲｉｓｋｉｎＦｉｎａｎｃｉａｌＭａｒｋｅｔｓ［Ｊ］．ＪｏｕｒｎａｌｏｆＰｏｌｉｔｉｃａｌＥｃｏｎｏｍｙ，１９９８，９８（４）：７０３－３８．
［６］ＴＲｉｃｈａｒｄ．ＢｕｂｂｌｅｓａｎｄＶｏｌａｔｉｌｉｔｙｏｆＳｔｏｃｋＰｒｉｃｅｓ：ＥｆｆｅｃｔｏｆＭｉｍｅｔｉｃＣｏｎｔａｇｉｏｎ［Ｊ］．ＥｃｏｎｏｍｉｃＪｏｕｒｎａｌ，１９９１，１０１（４０７）：７８６－８００．
［７］吴世农．股市泡沫的生成机理和度量［Ｊ］．财经科学，２００２（４）：６－１１．
［８］贾
男．股票市场非理性泡沫形成机理研究［Ｊ］．生产
力研究，２００７（８）：１２－１６．
［９］ＡＪｏｈａｎｓｅｎ，ＤＳｏｒｎｅｔｔｅ，ＪＰＢｏｕｃｈａｕｄ．ＳｔｏｃｋＭａｒｋｅｔＣｒａｓｈｅｓ，ＰｒｅｃｕｒｓｏｒｓａｎｄＲｅｐｌｉｃａｓ［Ｊ］．ＪｏｕｒｎａｌｏｆＰｈｙｓｉｃｓＦｒａｎｃｅ，１９９６（６）：１６７－１７５．
［责任编辑：李莉］
［
范文三：市场经济背景下金融市场与对数周期幂律研究
金融视线 Finance
市场经济背景下金融市场与对数周期幂律研究
暨南大学管理学院 夏锟
摘 要:在市场经济高速发展和金融市场大数据研究发展的背景下,本文讨论对数周期幂律对于金融市场预测的模型发展研究历程和 现状以及对我国市场经济稳定持续发展的意义。介绍了金融市场应用对数周期幂律的研究发展,综述了国外和国内基于对数周期幂律 的金融市场预
关键词测模型研究,对未来基于对数周期幂律的金融市场预测研究和市场经济持续稳定发展介绍新的视角和方向。 :对数周期幂律 金融市场 崩盘 市场经济
中图分类号文献标识码文章编号:A :F830.9 :1005-5800(2014)05(a)-127-02
模仿所造成的。对于噪声交易者而言，模仿其他交易者而达至特定 1 市场经济、金融市场与对数周期幂律
的点称之为“关键点(critical point)”，此刻所有的交易者在相同的 随着中国特色社会主义市场经济的高速发展，作为市场经济
时间采取相同的买卖策略，而产生崩盘。(2)对于交易者而言，因崩 催化剂的金融市场也在不断地进化和发展，特别是大数据时代的 来
盘高风险而要求更高的报酬率作为补偿，故Johansen & Sornette等 临，为金融市场和市场经济的发展提供了新的视角和研究方向。 传[4]人强调正向回馈导致的投机性趋势凌驾于基本信念，因此一旦出 统的经济学理性人理论假设处于金融市场中的所有个体都 是完全现外部冲击即产生崩盘。 理性的，而且对经济行为和金融市场有一致的理解和预期。 一连串的研究发现通常在投机性崩盘之前有一个主要特性: 经济和金融市场的持续不规则盛衰归因于外生变量的扰动，并且 金融市场价格为对数周期振动且呈现幂次法则加速，也就是说， 金融系统以线性、连续的路径达到相对稳定的静态均衡。因此，传 系统越来越靠近关键点时，会观察到一连串逐渐缩短的振动循 统的经济学理论和金融市场理论假设的只是一种理想化状态，与 [3] 环，而这个振动序列会根据等比级数而退化。如Vandewalle等人真实的经济行为相去甚远，它对经济和金融市场实质的认识和理 分析三个不同的道琼工业指数期间，包括1982年1月至1987年8月解还具有较大的局限性，对于经济和金融市场上不断发生的种种 期 间、1992年1月至1997年8月期间及1993年月至1998年8月期不完美状态，诸如股票溢价之谜等等，还不能给出完美的解释。近 间，利用 LM(Leyenverg Marquardt)和Monte-Carlo演算法进行配年来迅速发展起来的行为金融学、复杂网络和演化博弈论为人们 适，包络 函数技巧产生对数周期模式，此模式反映出明显的崩盘振提供了一些全新的视角去重新审视金融市场的内在实质，作为对 动前兆， 研究发现，对数周期模式存在于崩盘之前，因此市场应该传统经济学和金融市场理论优秀的修正和补充。 [5]视为离散 的不规则碎片系统(discrete fractal system)。Drozdz等人市场经济和金融市场也逐渐开展金融大数据的挖掘和研究。 验证1998 年期间德国金融市场两个崩盘和1987年的黑色星期一发利用大数据的视角、物理和数学的模型来解释经济行为和金融系 现，崩盘 前出现清楚的对数周期结构，另外1998年至1999年期统，为揭示金融市场的内在实质提供了一个独特且崭新的方法。 [4]间于美国市 场亦发现相同的情形。Johansen & Sornette利用对数周对数周期幂律LPPL(Log-periodic Power Law)来源于地震 期振动的幂 次法则以反泡沫作为衡量基础，在大崩盘的底部浮现时，和材料断裂等事件发生时所展现出来的随着时间推移，震动的强 出现相同 的型态。由此可见，对数周期幂律几乎在每个市场都是相同度和频率不断增强，接近临界点后突然爆发，发生地震或者材料 的。 断裂等情形。金融物理学家将此种规律延伸到金融学中，以此推 [7]不仅如此，Drozdz等人亦指出，金融动态的迹象可以透过现 演金融市场的震荡和崩盘事件的发生。Didier Sornette和Anders 象类(phenomena analogous)决定，特别是对数周期的概念，该研 究[1]Johansen从物理学上的“平均场”理论、价格动力学理论和复杂系 在1999年11月至2000年3月期间的“超级泡沫”同样发现对数周 统等理论对人类的相互模仿、羊群效应以及正反馈的视角，综合地 [8]期振动的轨迹。Gnacinski & Makowiec以波兰金融市场为例，针 对震中展现的对数周期幂律建立模型，股市崩盘前的金融市场变化 1998年8月的俄罗斯危机和2000年4月的新经济崩盘事件(New 可以用如下公式进行描述: Economic Crash)进行验证，研究发现，崩盘的关键点始于对数周 [9]期振动的起点。Sornette & Zhou证明当美国金融市场发生崩盘 时，
金融市场呈现出对数周期幂律，而且外资资本流量跟随正向回 馈交对数周期幂律模型揭示了临近泡沫崩盘时刻金融市场震动的 [9]易。Zhou & Sornette强度和频率逐渐增大，展现出的临界状态。现实中金融市场持续高 也证明了中国金融市场亦崩盘前具有对 数周期
幂律现象，有趣的是，中国金融市场比其它成熟市场呈现更 明显的速度的增长是不能持续的，泡沫达到临界点后会产生崩盘。对金融
对数周期幂律现象，该研究将其归因于该市场短期投资客 多于长市场时间序列进行对数周期幂律模型拟合在一定程度上判断金融
期投资客所致，因而触发投机从众现象。 市场是否存在泡沫，预测金融市场泡沫崩盘的临界点。
值得一提的是，对数周期幂律不仅出现在股市泡沫中，在熊市 [6]反泡沫亦获得相同的结果。Johansen & Sornette以反泡沫作为衡 量2 国外研究发展 [2][1]基础，在金融市场大崩盘的底部浮现时，出现相同LPPL的型态。 Feigenbaum & Freund和Sornette等人率先将复杂系统中 [10]而Zhou & Sornette利用log-periodic分析2000年的全球38个股 幂次法则和对数周期性模式的概念应用于金融市场崩盘研究，而 [3][4]价指数的反泡沫(anti-bubbles)作为研究对象，并定义“反泡沫”是以 Vandewalle等人及Johansen&Sornette进一步说明金融崩盘的 [4]自我相似性展延对数周期波动下自我增强的价格趋势，数学上表 现象。Johansen等人提出LPPL(log-periodicpowerlaw)包含两个部
示为一个熊市的反泡沫具有价格的幂次法则递减和展延对数周期 分:(1)关键性假定崩盘的形成是因噪声交易者之间局部自我增强
www.chinabt.net 2014年5月 127
金融视线Finance [10]波动的特性;Zhou & Sornette指出，正向回馈交易会产生熊市的 反系;另一方面，国内大数据的发展步伐较慢，暂时还处于起步阶段， 泡沫，即是向下趋势的金融资产价格移动促使价格更向下移动， 增大数据的挖掘和研究在国内还属于新兴事物，特别是市场经济和 金加人与人之间互动的悲观情绪，38个指数中除了11个指数外，其 融市场强调稳定而可靠的研究方法，对未确定的大数据研究方 法持他皆发现如同S & P500指数相同的对数周期幂律的反泡沫结构， 怀疑态度，因此需求不足也造成了相关研究在国内发展较慢。 此反泡沫在全球市场几乎于同一时间被发现，显示全球具有全面 随着时间的推移，科学技术能力的不断提高、大数据处理和 同步化的情形。基于以上研究，近年来已有越来越多的学者在探讨 研究的前景得到一定程度的展现，国内金融市场的不断完善以及 金融崩盘事件时普遍发现，崩盘前确实存在对数周期振动加速幂 大数据科学家和金融人才的交汇，相信中国金融市场未来会发展 法则，此意味从经济物理学的领域中所衍生出复杂适应系统的特 得越来越好，中国特色市场经济在巨大的金融市场催化剂的作用 质及他们朝向自我组织关键演化观念说明金融市场崩盘的行为已 下会爆发出下一轮的高速发展。
自许多市场中得到证实。
参考文献
3 国内研究发展 [1] Sornette D,Johansen A,Bouchaud J.Stock market
crashes,precursors and replicas[J].Journal De PhysiqueI， 对数周期幂律模型在国外出现较晚，一直处于争议当中。因
1996,6(1). 此，国内在相关方面的研究较少，仅有少数文献涉及相关方面的研
[2] Feigenbaum J A,Freund P G O.Discrete Scale Invariance 究。 [11]in Stock Markets Before Crashes[J].International Journal 章晓霞(2007)从金融物理学方法详细分析了股票崩盘的临 of Modern Physics B,1996,10(27). 界时候特征,并利用资本资产混合定价模型将金融资产收益分成 [3] Vandewalle N,Ausloos M,Boveroux P,et al.Visualizing 资产基本价值带来的基本收益和因市场泡沫而产生的泡沫收益， the log-periodic pattern before crashes[Z].Springer 在此基础上提出一个基于对数周期指数分布的金融资产累积泡 Berlin / Heidelberg,1999(9). 沫收益率模型。并分别对上海证券A股综合指数、深圳证券综合指 [4] Johansen A,Sornette D.The Nasdaq crash of April 数、四川长虹和中集集团的股票进行了模型的实证分析，实证结果 2000:Yet another example of log-periodicity in a 表明，提出的模型很好地模拟了我国证券市场在典型泡沫时期临 speculative bubble ending in a crash[Z].Springer Berlin 界点或临界区域的特征。 / Heidelberg,2000(17). [12]方勇(2011)选取中国上海证券A股市场日收益率和日收盘价 [5] Drozdz S,Ruf F,Speth J,et al.Imprints of log-periodic 作为样本数据，对中国金融市场的对数周期幂律和自组织临界性 self-similarity in the stock market[Z].Springer Berlin / 进行了实证研究。实证结果表明，LPPL模型较好地拟合出中国金 Heidelberg,1999(10). 融市场上证指数部分时间段的收盘价时间序列。沿袭金融物理学 [6] Johansen A,Sornette D.Bubbles and Anti-Bubbles in
的研究思路和框架，具有较好的理论基础和继续研究，但是对具 Latin-American,Asian and Western Stock Markets:An 体时间序列的分段没有提出合理可靠的依据。 Empirical Study[J].International Journal of Theoretical & [13]Applied Finance,2001,4(6). 郑飞(2012)结合最新的研究成果,对中国金融市场泡沫的崩
[7] DrodS,Grümmer F,Ruf F,et al.Log-periodic self- ?? 盘时间进行拟合和预测，结合相关理论基础上经过推导得到预测
similarity:an emerging financial law?[J].Physica A: 金融市场崩盘时间的对数周期幂律模型(LPPL)，然后对该模型进 Statistical Mechanics and its Applications,2003,324(1-2). 行一系列简化处理，并应用遗传算法估计模型中的未知参数，进而 [8] Gnaci!ski P,Makowiec D.Another type of log-periodic 得到泡沫破灭的预测时间。结论指出股票市场泡沫的破灭时间是 oscillations on Polish stock market[J].Physica A: 可以预测的，前提是泡沫需要呈现出特定性质，即只有在股价走势 Statistical Mechanics and its Applications,2004,344(1-2). 符合对数周期震荡性质的情况下，利用对数周期幂律模型才能够 [9] Zhou W,Sornette D.Antibubble and prediction 较好地预测泡沫的破灭时间。 of China's stock market and real-estate[J]. [14]谢治博(2012)引入对数周期幂律模型，通过对2006,2007 Physica A:Statistical Mechanics and its 年金融危机前和2009年救市政策出台后的中国金融市场的大崩盘 Applications,2004,337(1-2). 和泡沫进行实证检验，得出中国资本市场存在非理性泡沫的结论， [10] Zhou W,Sornette D.Evidence of a worldwide 并根据研究结果提出了一定的政策建议，以期望避免中国金融市 stock market log-periodic anti-bubble since mid- 场崩盘事件的突发。 2000[J].Physica A:Statistical Mechanics and its
Applications,2003,330(3-4).
[11] 章 晓 霞.中国股票市场泡沫现象研 究[D].上海交通大 学, 4 结语 2007. 随着科技的进步和发展，我国的市场经济发展也深受其影响。 [12] 方勇.中国股票市场自组织临界性与对数周期幂律的实证研 利用大数据的思维和视角，来研究金融市场，维护金融市场的稳 究[J].统计与决策,2011(10). 定，从而进一步推进深化我国市场经济的发展将是一个前所未有 [13] 郑 飞.中国股市市场泡沫的实证研 究[D].北方工业大 学, 的重要研究方向。 2012. 基于大数据的视角和数理模型的市场经济和金融市场研究 [14] 谢 治 博.中国股市非理性泡沫实证研究[J].时 代 金 融,2012 在国内还较少，一方面，是由于相关的数理理论基础难度较大，研 (24). 究者需要深厚的理论物理基础，同时也要掌握足够的金融知识体
2014年5月 www.chinabt.net128
范文四：中国股票市场自组织临界性与对数周期幂律的实证研究
中国股票市场自组织临界性与
对数周期幂律的实证研究
1,2方 勇
,1.上海财经大学 应用经济学博士后流动站，上海 200433,2.上海金融学院 应用数学系，上海 201209,
摘 要,文章沿袭金融物理学的研究思路和框架 ，选 取 上 证 指 数 1990年 12 月 19 日 至 2010年 3
月 日的日收盘价和日收益率作为样本数据 ， 对中国股票市场的自组织临界性和对数周期幂律进 22
行 了 实 证 研 究 。
关键词,自 组 织 临 界 性 ,相 变 ,对 数 周 期 幂 律 ,金 融 物 理 学 ,投 机 泡 沫 ,崩 盘
,A 文献标识码中图分类号,F830.91 文章编号,1002)648,20711,10)0036-03
目前，国内在行为金融学和演化博弈论研究领域已取得 所示。 将整个样本期分为 14 个阶段，包括 7 个市场上升期和
了很大的进展，研究文献大量出现 ，但在金融物理学领域的 7 个市场下跌期。 这里需要指出的是 ，1995 年 5 月 18 日 至
，。 研究文献还不多见本文将沿袭金融物理 1995 年 5 月 22 日，由于受到管理层关闭国债期货消息的影 研究还刚刚起步
，对中国股票市场的自组织临界性和对 ，， 582 点暴涨到 926 ，在三个交易日内上证指数就从点涨 学的研究思路和框架响
幅高达 59.11%。 由于这三天的上涨行情是由突发事件的刺 。 数周期幂律进行实证研究
，。 表 1 所以没有考虑这三天的价格演化列出了这激引起的
13 个 不 同 阶 段 的 时 窗
、时窗长度、价格区 选择实证分析 1
。 图 1 和表 间及涨跌幅
1 中的数据都 明 显 地 反 样 本 数 据1.1
本 文 选 取 上 证 指 数 从 1990 年 12 月 19 日 至 2010 年 3 映了中国股市作为一个
新兴的不成熟的市场所 月 22 日的日收盘价 P和日收益率 R作为样本数据，日收盘 t t
价和日收益率的样本容量分别为 4720 和 4719。 具备的一个主要特征 , 样本数据来
源于 RESSET ,http://www.resset.cn, 。金融研究数据库暴涨暴跌。
1.2 泡沫与反泡沫的 LPPL拟 合 Sornette, Johansen
上证指数日收盘价时间序列 P,t=1:4720,的演化如图 1 t
基金项目,中国博士后科学基 金 资 助 项 目 ,2009045007,5,上海市自然科学基金资助项目 ,09ZR142190,0,上海市教育委员
会科研创新资助项目 ,10YZ184,,上海市教育委员会重点学科建设资助项目 ,J5160,1 作者简介,方 勇 ,1972-,，男 ，湖 北 黄 冈 人 ，博 士 ，副 教 授 ，研 究 方 向 ,金融统计与风险管理 。
算法是有效的。 [5]Dafermos CS .A Nagurney Sensitivity Analysis for t he Asymmetric
Network Equilibrium Pro blem[J].Mathematical Programming,1984，28.
[6]Patrice M， Jacques G. Adaptation of M a odifi ed Newton M ethod 参考文献: for Solving the Asymmetric Traffic Equilibrium Problem [J].Trans- ， ， [1]Beckmann MMcguire C B Wimsten C B. Studies in the Eco-portation S cience，1988,(2). nomics of Transportation [M]H.Naveew n,C onn,Yale University [7]Faccninci F， Pang J S. Fini te Dimensional Variational Inequal- -Press，1956. ities and Cmploementarity Problems [M].Berlin:Spring-eVr e rlag， [2]LarssonT ， PatrikssonM ， RydergrenC. A Column Generation 2003. Procedure fo r the Side Constrained Traffic Equilibrium Probl em[J]. [8]Ban J X ， Xiu H X， Ferris M C， Ran B. A General MPCC TransportatioRne search，Part B, 2004，38. Model and it Solution Alg orithm for Continuous Network sign De[3]Ricardo G. Network Equilibrium with Combined Modes: dMels oProblem[J].Mathematical and ComputeMr o deling，2004，36. and SolutioAlgn orithms[J].Transportation Research，Part B，2005， 39. [9]刘 炳 全 ，黄 崇 超 .一种新的路径生成式 logit 交 通 分 配 算 法 [J].系 统 [4]Lottio P A. Issues in the Implementation theof DSD Algorithm 工 程 ，2006，24(2). for the Traffic Assignment Problem[J].EuropJeaournn al of Oprea- ,责任编辑/易永生, tion Research，2006，175.
统计与决策 2011 年第 10 期,总第 334 期, 36
[1]不同阶段上证指数日收盘价格的演化特性 表 1 和 Bouchau,d1996,通过将股市崩盘与材料断裂进行 序号时窗时窗长度价格区间涨幅或跌幅价格演化属性类比，发现泡沫在趋向崩盘的过程中呈现出临界行为 泡沫约 18 个月 99.98?1421.57 涨 1324.85% 1990.12.19-1992.05.25 1 ，并采用对数周期幂律模型,LP- 和对数周期振荡特征(t=1:363) PL,来刻画泡沫的演化过程。 他们认为，泡沫的形成是 反转反泡沫约 6 个月 1421.57?393.52 跌 72.32% 2 1992.05.25-1992.11.17 由于交易者之间相互模仿 ， 通过正反 馈 形 成 集 体 效 (t=363:487) ，最终的崩盘是由市场动力学机制所致。 LPPL模 型 应 反转泡沫约 3 个月 393.521536.82 涨 290.53% ?1992.11.17-1993.02.15 3 为(t=487:548 ) 约 18 个月 1536.82?333.92 跌 78.27% 反泡沫4 1993.02.15-1994.07.29 z (t=548:920 ) ,1, P=A+τ[B+Ccos(ωlnτ+准)] t 反转泡沫2 个月 333.921033.47 涨 209.50% 约 ?5 1994.07.29-1994.09.13 其中，τ=|t -t|，t 是临界值， 表示最有可能的崩盘 c c ,t=920:952 , 时 间 ，A,z,t,B,C,ω,准 均 待 估 计 。 Johansen 和 Sornette c 反泡沫8 个月 1033.47?565.14 跌 45.32% 约 6 1994.09.13-1995.05.10 [2] ,1999, 出了反泡沫的概念 ， 在 20 纪 80 最早提并世 ,t=952:1114, 年代的黄金价格和 90 年代的日本日经指数中找到了 反泡沫8 个月 897.42?516.46 跌 42.45% 约 7 1995.05.22-1996.01.22 [3] 。Zhou 和 Sornette,2003,首次发现了反转泡沫的 ,t=1122:1294, 证据 反转泡沫。 8 个月 757.09?1500.40 涨 98.18% 约 8 1996.09.12-1997.05.12 存在 ,t=1451:1607, 运用 Levenberg-Marquardt 通用全局优化算法分 5 个月 1500.40?1041.97 跌 30.55% 反泡沫约 9 1997.05.12-1997.09.23 别对上述 14 个子样本进行如 ,1, 式所示的 LPPL拟 ,t=1607:1701, ， 未知参数值的先验约束为,A>0，z?[0.2,0.8，]ω? 合 反转泡沫18 个月 1345.352242.42 涨 66.68% 约 ?10 1999.12.27-2001.06.13 [5,15]，准?[0,2π]。 各未知参数的估计值和拟合优度列 ,t=2251:2595, 在表 2 中，部分子样本的拟合结果如图 2 所示。 14 个 48 个月 2242.421013.64 跌 54.80% 反泡沫约 ?11 2001.06.13-2005.06.03 子样本期的价格演化属性列在表 1 的最后一列，其中 ,t=2595:3551, 第 1，12，14 个子样本期的价格演化属于泡沫 ，第 泡沫14 个月 1547.44?6092.06 涨 293.69% 约 12 2006.08.07-2007.10.16 3，5，8，10 个子样本期的价格演化属于反转泡沫 ， 第 ,t=3838:4126, 反泡沫13 个月 6092.06?1706.70 跌 71.98% 约 4，6，7，9，11，13 个子样本期的价格演化属于反泡沫 ， 13 2007.10.16-2008.11.04 ,t=4126:438,4 值得注意的是， 我们发现了一个新的价格演化特性, 9 个月 1706.70?3471.44 涨 103.40% 泡沫约 14 2008.11.04-2009.08.04 第 2 个子样本期的价格演化属于反转反泡沫。 ,t=4384:456,8 1.3 粗粒持续损失的扩展指数函数拟合 表 2 不同阶段 LPPL 拟合的参数估计和拟合优度 上证指数 1990 年 12 月 20 日至 2010 年 3 月 22 2 时窗 ω 准 A B C tz R日的日收益率 R的演化如图 3 所示， 其描述性统计 c t t=1:363 1043.46 -302.80 -9.61 6.31 4.17 t=363 0.20 0.8684 量列在表 3 中。 从图 3 和表 3 可以看出，上证指数的 t=363:487 0 35.06 -2.38 9.24 3.68 t=516 0.72 0.9695 ，具有明显的 日收益率时间序列显著地偏离正态分布t=487:548 75.90 74.53 12.78 5.00 3.64 t=477 0.65 0.9789 。 波动聚集与尖峰厚尾特性t=548:920 1975.02 -231.50 -24.34 5.82 2.64 t=522 0.30 0.9273 考虑到时间序列含有噪声，这里考虑粗粒持续损 t=920:952 0 152.67 20.20 5.00 5.54 t=912 0.51 0.9522 。 设上证指数日收盘价时间序列{P:t=1:4720}有一 失tt=952:1114 1147.37 -217.46 17.63 7.06 2.62 t=954 0.20 0.8214 个子序列 {P:t=a:b}，P是一个局部最大价格，P是一 ta b t=1122:1294 1572.13 -336.81 36.96 5.00 6.04 t=1056 0.20 0.8988 ，这个过程可能含有若干个持续上升 个局部最小价格t=1451:1607 834.85 8.39 5.36 5.92 2.02 t=1455 0.74 0.8913 子过程，若每个持续上升子过程的持续收益均不大于 t=1607:1701 1599.29 -182.93 22.03 12.43 1.69 t=1606 0.20 0.7539 一个给定的阈值 ε，则定义过程{P:t=a:b}的粗粒持续 t=2251:2595 838.20 409.22 10.54 11.57 0.92 t=2250 0.20 0.8901 tt=2595:3551 2426.25 -273.74 32.22 13.71 4.81 t=2607 0.20 0.7986 ,也称为持续损失,为 损失t=3838:4126 7287.50 -455.70 -26.50 5.00 4.22 t=4136 0.44 0.9850
t=4126:4384 7691.30 -59.77 -2.73 8.39 4.62 t=4058 0.80 0.9696 t=4384:4568 3531.53 -113.64 8.84 15.00 4.78 t=4563 0.53 0.9762
,2, ε-drawdown,=P-P,/Pbaa
。 将崩盘定义为最大的四个粗粒持续损失现关于
粗粒持续损失提出以下几个假设,
H1: 粗粒持续损失满足如下式所示的扩展指数
函数,幂律分布,
2b|x| -
N(|x|=)Ae (3)
其中，N(|x|)表示粗粒持续损失不大于 x(x<0)的累>
积频数,A,b,z 均大于 0， 是待估的参数,z 反映了幂律 运用上证指数的日收益率样本数据对上述三个假设进 ，z 越小，幂律分布的尾部越厚。 分布的厚尾特性行检验。 H2: 崩盘是幂律分布的异常点。
对粗粒持续损失进行如 ,3, 式所示的扩展指数函数拟 H3: 崩盘的产生源于三种途径, 紧随 LPPL泡沫或反 转 ，但是为了拟合的稳健性，对,3,式的变形 合,产生于 LPPL反泡沫或反转反泡沫过 程中,源于外 泡沫之后
。 生的冲击z lnN(|x|)=lnAb|x| ,4, -
统计与决策 2011 年第 10 期,总第 334 期, 37
上证指数日收益率序列的描述性统计量 表 3
样本容量4719 均值0.001084 标准差0.028687 最大值1.052700 最小值 -0.163900 偏度 11.57256 峰度 397.4702 JarqueBera 统计量 -30701500
P 值 0.000000
表 4 扩展指数函数拟合的参数估计与拟合优度
2 ε lnA b z R
ε=0 7.25 15.90 0.69 0.9947
ε=0.5σ 6.53 13.47 0.80 0.9975
崩盘的属性及触发事件 表 5 1990 年 12 月 19 日至 2010 年 3 月 22 日的日收盘价和日收 崩盘开始日期持续损失大小持续时间是否异常点事件ε ，益率作为样本数据对中国股票市场的自组织临界性和对数 是反转泡沫天 4 ε=0 1994.09.29 30.95% 。 周期幂律进行实证研究 是外生冲击天 4 ε=0 1996.12.12 30.49% 首先，将整个样本期分为 14 个阶段，包括 7 个市场上升 否反转反泡沫天 6 ε=0 1992.09.02 25.22% 期和 7 ， 分别在这 14 个市场下跌期个时期对上证指数日收 否 反转泡沫 天 7 ε=0 1993.03.17 24.70% 盘价进行 LPPL拟合 。 拟合结果表明，第 1，12，14 个子样本期 是 反泡沫 25 天 ε=0.5σ 1994.03.17 37.78% ， 第 3，5，8，10 个子样本期的价格演化 的价格演化属于泡沫是 反转反泡沫 12 天 ε=0.5σ 1992.07.28 37.25% ，第 4，6，7，9，11，13 个子样本期的价格演化属 是 反转反泡沫 10 天 属于反转泡沫ε=0.5σ 1992.08.27 31.29% 是 反转泡沫 ，值得注意的是 ，我们发现了一个新的价格演化特 天 4 于反泡沫ε=0.5σ 1994.09.29 30.95%
,第 2 个子样本期的价格演化属于反转反泡沫。 性进行拟合。 设日收益率样本标准差为 σ，阈值分别取为 0 其次，分别考察 ε=0 和 ε=0.5σ 时的粗粒持续损失，将崩 和 0.5σ。 拟合的参数估计值和拟合优度列在表 4 中。 拟合结 ，并运用样本数据对关于 盘定义为最大的四个粗粒持续损失，假设 H1 是成立的。 果表明。 ，结果显示对于中国 粗粒持续损失的三个假设进行了检验ε=0 和 ε=0.5σ 时粗粒持续损失的幂律拟合图及拟合残 ，上述三个假设均是基本成立的。 股票市场而言差图分别如图 4 和图 5 所示。 残差图中的两条水平直线代表 ，实证数据分析表明中国股票市场还是一个新兴的不成 ，如果某个残差的绝对值大于两倍的 正负两倍的残差标准差，“政策市”特征和“暴涨暴跌”特征明显。 因此，研究 熟的市场，则将与其相对应的样本数据判定为异常点。 从 残差标准差自组织临界性和对数周期幂律对于危机的预警和控制具有 图 4 中的拟合残差图可以看出，当 ε=0 时，在四个崩盘中，第 。 重要而深远的意义，而第三个和第四个最 一个和第二个最大持续损失是异常点
。 从图 5 中的拟合残差图可以看出， 大持续损失不是异常点
当 ε=0.5σ时 ，四个崩盘均是异常
点。 因此，两个拟合残差图表明，对我们的样本数据而言，假
设 H2 基本上是成立的 4。 参考文献, 表 5 列出了当 ε=0 和 ε=0.5σ 时四个崩盘的属性及触发 [1]Sornette D, Johansen A, Bouchaud J PStock Market. Crashes, ，结果表明，假设 H3 是成立的。 另外，当 ε=0 和 ε=0.5σ 事件Precursors and Replicas[J]Journa.l of Physics in France,1996,6. 时，四个崩盘均发生在 1992 年至 1996 年期间，在这个期间， [2]Johansen A, Sornette D. Financial Anti -Bubbles:Log-P eriodicity 中国股票市场还刚刚起步，极端不成熟，“政策市”特征明显， in Gold and Nikkei Collapses[J] .International Journal of Modern “暴涨暴跌”成为这个时期的主要特征。 Physics C, 1999,10.
[3]Zhou W X, Sornette D. Evidence of a Worldwide Stock Market
Log-Periodic Anti-Bubble Since Mid-2000[J].Physica A,2003,330.
[4]Gnacinski P, Makowiec D. Another Type of Log -Periodic
Oscillations on Polish Stock Market[J].Physica A,2004,344. 2 结论
， ,/, 本文沿袭金融物理学的研究思路和框架选取上证指数责任编辑易永生
统计与决策 2011年 第 10 期,总第 334 期, 38
范文五：市场经济背景下金融市场与对数周期幂律研究
暨南大学管理学院 夏锟
摘 要:在市场经济高速发展和金融市场大数据研究发展的背景下,本文讨论对数周期幂律对于金融市场预测的模型发展研究历程和 现状以及对我国市场经济稳定持续发展的意义。介绍了金融市场应用对数周期幂律的研究发展,综述了国外和国内基于对数周期幂律
关键的金融市场预测模型研究,对未来基于对数周期幂律的金融市场预测研究和市场经济持续稳定发展介绍新的视角和方向。 词:对数周期幂律 金融市场 崩盘 市场经济
中图分类号文献标识码文章编号:F830.9 :A :1005-5800(2014)05(a)-127-02
1 市场经济、金融市场与对数周期幂律 模仿所造成的。对于噪声交易者而言,模仿其他交易者而达至特定
的点称之为“关键点(critical point)”,此刻所有的交易者在相同的 时随着中国特色社会主义市场经济的高速发展,作为市场经济
催化剂的金融市场也在不断地进化和发展,特别是大数据时代的 间采取相同的买卖策略,而产生崩盘。(2)对于交易者而言,因崩 盘来临,为金融市场和市场经济的发展提供了新的视角和研究方向。 高风险而要求更高的报酬率作为补偿,故Johansen & Sornette等 [4]人强调正向回馈导致的投机性趋势凌驾于基本信念,因此一旦出 传统的经济学理性人理论假设处于金融市场中的所有个体都 是完
现外部冲击即产生崩盘。 全理性的,而且对经济行为和金融市场有一致的理解和预期。
经济和金融市场的持续不规则盛衰归因于外生变量的扰动,并且 一连串的研究发现通常在投机性崩盘之前有一个主要特性,
金融市场价格为对数周期振动且呈现幂次法则加速,也就是说, 金融系统以线性、连续的路径达到相对稳定的静态均衡。因此,传
系统 越来越靠近关键点时,会观察到一连串逐渐缩短的振动循 统的经济学理论和金融市场理论假设的只是一种理想化状态,与 [3] 真实的经济行为相去甚远,它对经济和金融市场实质的认识和理 环,而这个振动序列会根据等比级数而退化。如Vandewalle等人
分析三个不同的道琼工业指数期间,包括1982年1月至1987年8月解还具有较大的局限性,对于经济和金融市场上不断发生的种种
期 不完美状态,诸如股票溢价之谜等等,还不能给出完美的解释。近
年来迅速发展起来的行为金融学、复杂网络和演化博弈论为人们 间、1992年1月至1997年8月期间及1993年月至1998年8月期间,
利用 LM(Leyenverg Marquardt)和Monte-Carlo演算法进行配适,提供了一些全新的视角去重新审视金融市场的内在实质,作为对
包络 函数技巧产生对数周期模式,此模式反映出明显的崩盘振动前传统经济学和金融市场理论优秀的修正和补充。
市场经济和金融市场也逐渐开展金融大数据的挖掘和研究。 兆, 研究发现,对数周期模式存在于崩盘之前,因此市场应该视为[5]离散 的不规则碎片系统(discrete fractal system)。Drozdz等人验证利用大数据的视角、物理和数学的模型来解释经济行为和金融系
1998 年期间德国金融市场两个崩盘和1987年的黑色星期一发现,统,为揭示金融市场的内在实质提供了一个独特且崭新的方法。
对数周期幂律LPPL(Log-per iodic Power Law)来源于地震 崩盘 前出现清楚的对数周期结构,另外1998年至1999年期间于[4]美国市 场亦发现相同的情形。Johansen & Sornette利用对数周期振和材料断裂等事件发生时所展现出来的随着时间推移,震动的强
动的幂 次法则以反泡沫作为衡量基础,在大崩盘的底部浮现时,出度和频率不断增强,接近临界点后突然爆发,发生地震或者材料
断裂等情形。金融物理学家将此种规律延伸到金融学中,以此推 现相同 的型态。由此可见,对数周期幂律几乎在每个市场都是相同
的。 演金融市场的震荡和崩盘事件的发生。Didier Sor net te和Anders [7][1]不仅如此,Drozdz等人亦指出,金融动态的迹象可以透过现 Johansen从物理学上的“平均场”理论、价格动力学理论和复杂系 统
等理论对人类的相互模仿、羊群效应以及正反馈的视角,综合地 震象类(phenomena analogous)决定,特别是对数周期的概念,该研
究在1999年11月至2000年3月期间的“超级泡沫”同样发现对数中展现的对数周期幂律建立模型,股市崩盘前的金融市场变化 可[8]周 期振动的轨迹。Gnacinski & Makowiec以波兰金融市场为例,以用如下公式进行描述,
针 对1998年8月的俄罗斯危机和2000年4月的新经济崩盘事
件(New Economic Crash)进行验证,研究发现,崩盘的关键点始于对数周期幂律模型揭示了临近泡沫崩盘时刻金融市场震动的 [9]对数周 期振动的起点。Sor nette & Zhou证明当美国金融市场发强度和频率逐渐增大,展现出的临界状态。现实中金融市场持续高
生崩盘 时,金融市场呈现出对数周期幂律,而且外资资本流量跟随速度的增长是不能持续的,泡沫达到临界点后会产生崩盘。对金融 [9]正向回 馈交易。Zhou & Sornette也证明了中国金融市场亦崩盘前市场时间序列进行对数周期幂律模型拟合在一定程度上判断金融
具有对 数周期幂律现象,有趣的是,中国金融市场比其它成熟市场市场是否存在泡沫,预测金融市场泡沫崩盘的临界点。
呈现更 明显的对数周期幂律现象,该研究将其归因于该市场短期
投资客 多于长期投资客所致,因而触发投机从众现象。 2 国外研究发展 [2][1]值得一提的是,对数周期幂律不仅出现在股市泡沫中,在熊市 Feigenbaum & Freund和Sor nette等人率先将复杂系统中 [6]幂次法则和对数周期性模式的概念应用于金融市场崩盘研究,而 反泡沫亦获得相同的结果。Johansen & Sornette以反泡沫作为衡 [3][4]量基础,在金融市场大崩盘的底部浮现时,出现相同LPPL的型态。 Vandewalle等人及Johansen&Sor nette进一步说明金融崩盘的 [10][4]而Zhou & Sornette利用log-periodic分析2000年的全球38个现象。Johansen等人提出LPPL(log-periodicpowerlaw)包含两个部
分,(1)关键性假定崩盘的形成是因噪声交易者之间局部自我增强 股 价指数的反泡沫(anti-bubbles)作为研究对象,并定义“反泡沫”是以
自我相似性展延对数周期波动下自我增强的价格趋势,数学上表
示为一个熊市的反泡沫具有价格的幂次法则递减和展延对数周期 www.chinabt.ne 2014t年5月 127
Finance 金融视线
[10]波动的特性,Zhou & Sornette指出,正向回馈交易会产生熊市的 系,另一方面,国内大数据的发展步伐较慢,暂时还处于起步阶段, 反泡沫,即是向下趋势的金融资产价格移动促使价格更向下移动, 大数据的挖掘和研究在国内还属于新兴事物,特别是市场经济和
增加人与人之间互动的悲观情绪,38个指数中除了11个指数外,其 金融市场强调稳定而可靠的研究方法,对未确定的大数据研究方 他皆发现如同S & P500指数相同的对数周期幂律的反泡沫结法持怀疑态度,因此需求不足也造成了相关研究在国内发展较慢。 构, 此反泡沫在全球市场几乎于同一时间被发现,显示全球具有随着时间的推移,科学技术能力的不断提高、大数据处理和 研究全面 同步化的情形。基于以上研究,近年来已有越来越多的学者在的前景得到一定程度的展现,国内金融市场的不断完善以及 大数探讨 金融崩盘事件时普遍发现,崩盘前确实存在对数周期振动加据科学家和金融人才的交汇,相信中国金融市场未来会发展 得越速幂 法则,此意味从经济物理学的领域中所衍生出复杂适应系统来越好,中国特色市场经济在巨大的金融市场催化剂的作用 的特 质及他们朝向自我组织关键演化观念说明金融市场崩盘的行下会爆发出下一轮的高速发展。
为已 自许多市场中得到证实。
参考文献
[1] Sornette D,Johansen A,Bouchaud J.Stock market 3 国内研究发展
crashes,precursors and replicas[J].Journal De PhysiqueI, 对数周期幂律模型在国外出现较晚,一直处于争议当中。因
1996,6(1). 此,国内在相关方面的研究较少,仅有少数文献涉及相关方面的研 [2] Feigenbaum J A,Freund P G O.Discrete Scale Invariance 究。 in Stock Markets Before Crashes[J].International Journal [11]章晓霞(2007)从金融物理学方法详细分析了股票崩盘的临 of Modern Physics B,1996,10(27). 界时候特征,并利用资本资产混合定价模型将金融资产收益分成 [3] Vandewalle N,Ausloos M,Boveroux P,et al.Visualizing 资产基本价值带来的基本收益和因市场泡沫而产生的泡沫收益, the log-periodic pattern before crashes[Z].Springer 在此基础上提出一个基于对数周期指数分布的金融资产累积泡 Berlin / Heidelberg,1999(9). 沫收益率模型。并分别对上海证券A股综合指数、深圳证券综合指 [4] Johansen A,Sornette D.The Nasdaq crash of April 数、四川长虹和中集集团的股票进行了模型的实证分析,实证结果 2000:Yet another example of log-periodicity in a 表明,提出的模型很好地模拟了我国证券市场在典型泡沫时期临 speculative bubble ending in a crash[Z].Springer Berlin
/ Heidelberg,2000(17). 界点或临界区域的特征。 [12][5] Drozdz S,Ruf F,Speth J,et al.Imprints of log-periodic 方勇(2011)选取中国上海证券A股市场日收益率和日收盘价
self-similarity in the stock market[Z].Springer Berlin / 作为样本数据,对中国金融市场的对数周期幂律和自组织临界性
Heidelberg,1999(10). 进行了实证研究。实证结果表明,LPPL模型较好地拟合出中国金 [6] Johansen A,Sornette D.Bubbles and Anti-Bubbles in 融市场上证指数部分时间段的收盘价时间序列。沿袭金融物理学 Latin-American,Asian and Western Stock Markets:An 的研究思路和框架,具有较好的理论基础和继续研究,但是对具 Empirical Study[J].International Journal of Theoretical & 体时间序列的分段没有提出合理可靠的依据。 Applied Finance,2001,4(6). [13]郑飞(2012)结合最新的研究成果,对中国金融市场泡沫的崩 [7] Dro?d? S,Grümmer F,Ruf F,et al.Log-periodic self- 盘时间进行拟合和预测,结合相关理论基础上经过推导得到预测 similarity:an emerging financial law?[J].Physica A: 金融市场崩盘时间的对数周期幂律模型(LPPL),然后对该模型进 Statistical Mechanics and its Applications,2003,324(1-2). 行一系列简化处理,并应用遗传算法估计模型中的未知参数,进而 [8] Gnaci!ski P,Makowiec D.Another type of log-periodic 得到泡沫破灭的预测时间。结论指出股票市场泡沫的破灭时间是 oscillations on Polish stock market[J].Physica A: 可以预测的,前提是泡沫需要呈现出特定性质,即只有在股价走势 Statistical Mechanics and its Applications,2004,344(1-2).
[9] Zhou W,Sornette D.Antibubble and predictio n符合对数周期震荡性质的情况下,利用对数周期幂律模型才能够
of China's stock market and real-estate[J]. 较好地预测泡沫的破灭时间。 [14]Physica A:Statistical Mechanics and it s 谢治博(2012)引入对数周期幂律模型,通过对2006,2007 Applications,2004,337(1-2). 年金融危机前和2009年救市政策出台后的中国金融市场的大崩盘 [10] Zhou W,Sornette D.Evidence of a worldwide 和泡沫进行实证检验,得出中国资本市场存在非理性泡沫的结论, stock market log-periodic anti-bubble since mid- 并根据研究结果提出了一定的政策建议,以期望避免中国金融市 2000[J].Physica A:Statistical Mechanics and its 场崩盘事件的突发。 Applications,2003,330(3-4).
[11] 章 晓 霞.中国股票市场泡沫现象研 究[D]上海交通.大 学, 4 结语 2007. 随着科技的进步和发展,我国的市场经济发展也深受其影响。 [12] 方勇.中国股票市场自组织临界性与对数周期幂律的实证研 利用大数据的思维和视角,来研究金融市场,维护金融市场的稳 究[J].统计与决策,2011(10).
[13] 郑 飞.中国股市市场泡沫的实证研 究[D]北方工业.大 学, 定,从而进一步推进深化我国市场经济的发展将是一个前所未有
2012. 的重要研究方向。
[14] 谢 治 博.中国股市非理性泡沫实证研究[J].时 代 金 融,2012 基于大数据的视角和数理模型的市场经济和金融市场研究 (24). 在国内还较少,一方面,是由于相关的数理理论基础难度较大,研
究者需要深厚的理论物理基础,同时也要掌握足够的金融知识体
128 2014年5月 www.chinabt.net
