沪深300股指期货价格预测研究
发布时间：2021-11-06 17:50
沪深300股指期货这种能够规避系统性风险的衍生金融工具,从2010年4月16日上市以来,备受投资者的关注。传统股票现货市场仅仅拥有低价买进的单向交易机制,而沪深300股指期货拥有双向交易机制,拥有投机、套期保值和套利的功能,给股票现货市场避免系统性风险提供了衍生金融工具。由于股指期货交易具有杠杆作用,投机者和套期保值者面临较大的价格波动风险,尤其当发生极端行情时,沪深300股指期货大的波动会给投资者带来大的损失。如何分析沪深300股指的变动趋势,避免给投资者带来巨大的损失,是金融市场学极为重要的研究领域。本文先是介绍了股指期货的相关基础知识。系统阐述了金融市场传统预测方法,较全面地梳理了金融市场现代预测模型。通过比较分析,建立了ARMA-GARCH族模型进行实证研究。本文具体内容如下:首先结合当前的经济形势,从基本面分析沪深300股指期货价格的变动趋势;其次阐述了沪深300股指期货的技术分析法。最后,进行实证研究得出结论并提出相应的建议。本文进行实证研究的步骤是,选取2010-4-16至2017-12-8沪深300股指期货的日收盘价作为原始数据,取对数收益率后作为研究变量。先通过可预测...
【文章来源】：沈阳工业大学辽宁省
【文章页数】：56 页
【学位级别】：硕士
【部分图文】：
深证成份指数权重分布
14图 2.2 上证成份指数权重分布Fig. 2.2 Weight distribution of Shanghai stock index图 2.3 深证成份指数权重分布Fig. 2.3 Weight distribution of Shenzhen stock index
图 2.1 沪深 300 指数权重分布Fig. 2.1 CSI 300 index weight distribution图 2.2 上证成份指数权重分布Fig. 2.2 Weight distribution of Shanghai stock index
【参考文献】：
期刊论文
[1]不同期限SHIBOR的波动性研究[J]. 罗琰,吴鹏程,刘晓星. 南京财经大学学报. 2016(05)
[2]基于小波分析和BP神经网络的股指期货价格预测[J]. 杨超,刘喜华. 青岛大学学报(自然科学版). 2014(01)
[3]基于EMD和RVM的股指期货价格预测[J]. 曹柯,危启才,田魁. 武汉工业学院学报. 2013(02)
[4]中国股指期货与股票市场波动性关系的实证分析[J]. 蔡敬梅,强林飞,周海鹏. 统计与信息论坛. 2013(01)
[5]基于BP神经网络的我国股指期货价格预测[J]. 孙海涛,杨德平,李聪. 青岛大学学报(自然科学版). 2012(03)
[6]基于SVM神经网络的沪深300股指期货的实证研究[J]. 魏勤,张宇霖. 产业与科技论坛. 2012(10)
[7]BP神经网络在基金价格预测中的应用研究[J]. 肖国荣. 计算机仿真. 2011(03)
[8]中国黄金市场价格影响因素的实证研究[J]. 叶莉,周砚青. 河北工业大学学报(社会科学版). 2010(04)
[9]BP算法在股指期货合约价格预测中的应用[J]. 吴奇峰,郑凯. 商场现代化. 2010(32)
[10]基于粗糙集和支持向量机的股指期货预测模型研究[J]. 周磊. 山东科学. 2010(05)
博士论文
[1]基于不同频率数据的套期保值与投资组合理论与实证研究[D]. 杨文昱.湖南大学 2016
[2]中国上市公司财务指数研究[D]. 黎春.西南财经大学 2010
[3]非线性金融波动率模型及其实证研究[D]. 耿立艳.天津大学 2009
硕士论文
[1]基于GARCH族模型的上证50ETF期权定价研究[D]. 李瑶瑶.东北财经大学 2016
[2]不同市场态势下股市行业波动非对称性实证研究[D]. 肖俊翔.湖南大学 2016
[3]染虫小麦BPE信号特性研究[D]. 段珊珊.河南工业大学 2016
[4]沪深300股指期货价格发现功能及其对股市波动性影响研究[D]. 盛少东.浙江工商大学 2014
[5]基于羊群行为的中国股票市场金融传染研究[D]. 邓婷婷.福州大学 2014
[6]基于CPA改进的BP神经网络及其在气象数据中的应用研究[D]. 王丹.西南大学 2014
[7]沪深300ETF期现套利机会差异性及套期保值效果的比较研究[D]. 丁挺立.江西财经大学 2013
[8]我国股市预测中ARIMA-NN混合模型与GARCH族模型的比较研究[D]. 胡静.天津财经大学 2013
[9]部分线性单指标模型在股票价格预测中的应用[D]. 黄荣.辽宁师范大学 2013
[10]基于均值回归模型的统计套利策略及优化[D]. 陈其然.复旦大学 2013
本文编号：3480261
【文章来源】：沈阳工业大学辽宁省
【文章页数】：56 页
【学位级别】：硕士
【部分图文】：
深证成份指数权重分布
14图 2.2 上证成份指数权重分布Fig. 2.2 Weight distribution of Shanghai stock index图 2.3 深证成份指数权重分布Fig. 2.3 Weight distribution of Shenzhen stock index
图 2.1 沪深 300 指数权重分布Fig. 2.1 CSI 300 index weight distribution图 2.2 上证成份指数权重分布Fig. 2.2 Weight distribution of Shanghai stock index
【参考文献】：
期刊论文
[1]不同期限SHIBOR的波动性研究[J]. 罗琰,吴鹏程,刘晓星. 南京财经大学学报. 2016(05)
[2]基于小波分析和BP神经网络的股指期货价格预测[J]. 杨超,刘喜华. 青岛大学学报(自然科学版). 2014(01)
[3]基于EMD和RVM的股指期货价格预测[J]. 曹柯,危启才,田魁. 武汉工业学院学报. 2013(02)
[4]中国股指期货与股票市场波动性关系的实证分析[J]. 蔡敬梅,强林飞,周海鹏. 统计与信息论坛. 2013(01)
[5]基于BP神经网络的我国股指期货价格预测[J]. 孙海涛,杨德平,李聪. 青岛大学学报(自然科学版). 2012(03)
[6]基于SVM神经网络的沪深300股指期货的实证研究[J]. 魏勤,张宇霖. 产业与科技论坛. 2012(10)
[7]BP神经网络在基金价格预测中的应用研究[J]. 肖国荣. 计算机仿真. 2011(03)
[8]中国黄金市场价格影响因素的实证研究[J]. 叶莉,周砚青. 河北工业大学学报(社会科学版). 2010(04)
[9]BP算法在股指期货合约价格预测中的应用[J]. 吴奇峰,郑凯. 商场现代化. 2010(32)
[10]基于粗糙集和支持向量机的股指期货预测模型研究[J]. 周磊. 山东科学. 2010(05)
博士论文
[1]基于不同频率数据的套期保值与投资组合理论与实证研究[D]. 杨文昱.湖南大学 2016
[2]中国上市公司财务指数研究[D]. 黎春.西南财经大学 2010
[3]非线性金融波动率模型及其实证研究[D]. 耿立艳.天津大学 2009
硕士论文
[1]基于GARCH族模型的上证50ETF期权定价研究[D]. 李瑶瑶.东北财经大学 2016
[2]不同市场态势下股市行业波动非对称性实证研究[D]. 肖俊翔.湖南大学 2016
[3]染虫小麦BPE信号特性研究[D]. 段珊珊.河南工业大学 2016
[4]沪深300股指期货价格发现功能及其对股市波动性影响研究[D]. 盛少东.浙江工商大学 2014
[5]基于羊群行为的中国股票市场金融传染研究[D]. 邓婷婷.福州大学 2014
[6]基于CPA改进的BP神经网络及其在气象数据中的应用研究[D]. 王丹.西南大学 2014
[7]沪深300ETF期现套利机会差异性及套期保值效果的比较研究[D]. 丁挺立.江西财经大学 2013
[8]我国股市预测中ARIMA-NN混合模型与GARCH族模型的比较研究[D]. 胡静.天津财经大学 2013
[9]部分线性单指标模型在股票价格预测中的应用[D]. 黄荣.辽宁师范大学 2013
[10]基于均值回归模型的统计套利策略及优化[D]. 陈其然.复旦大学 2013
本文编号：3480261
本文链接：https://www.wllwen.com/jingjilunwen/jinrongzhengquanlunwen/3480261.html
