证券业行政监管的股价风险预测与监控

发布时间：2020-11-16 12:26

　　 文章利用VAR模型对我国股票价格指数做出预测,结果显示,VAR模型对当前下一期预测结果比较准确,而对多步预测的结果不太理想。详细分析了Granger因果效应和相应的脉冲响应函数,并讨论了VAR模型适用范围,引出可以对某投资组合做预测评价,使得证券监督管理机构有效地监督股票市场的风险,并判断其投资行为存在异常情况,为投资者提供正确的股票市场预估信息。
【部分图文】：

统计与决策2019年第5期·总第521期指数的开盘价、最高价、最低价和收盘价作为样本，并分别记为Yk、Yg、Yd、Ys。本文采用S-plus软件，滞后阶数为2，对上证指数下一期的开盘价、最高价、收盘价、最低价通过VAR模型进行拟合预测。通过S-plus软件可以得到Yo、Yh、Yl、Yc的R2和残差平方和等。图1上证指数四个指标的ACF图从图1可以看出四个指标均是平稳序列，所以满足VAR模型的条件，因此可以建立VAR模型。表1拟合优度指标R2调整的R2标准误残差平方和Yo0.99610.996133.352527256Yh0.99420.994141.745826003Yl0.98980.989652.0661284961Yc0.98190.981672.20252471054从表1可以看出，该模型的R2以及调整的R2值比较高，故拟合优度较高且非常显著，因此可以初步判断模型能够对股价指数进行较好的估计。并且通过计算得到VAR模型的系数如表2所示。表2系数矩阵(Intercept)open.lag1high.lag1low.lag1close.lag1open.lag2high.lag2low.lag2close.lag2open-26.2246-0.24020.11500.18210.98330.0429-0.05570.0741-0.0930high-25.9018-0.39620.3816-0.04380.9476-0.14330.22330.1338-0.0914low44.7745-0.3669-0.05370.33601.1397-0.18670.05160.4047-0.3424Close7.0099-0.37590.26580.11360.9780-0.31040.28940.4346-0.3967本文以收盘价为例，对于开盘价、最高价和最低价可以由类似计算得到。Yot=-26.2047-0.2402Yot-1-0.1150Yht-1-0.1821Ylt-1+0.9833Yct-1+0.0429Yot-2-0.0557Yht-2+0.0741Ylt-2-0.0930Yc

硎?菹允荆?步预测的结果在准确度上是有一定保证的，但伴随预测步长的逐渐递进，总体预测精度呈现递减的态势。因此，在预测时要不断更新基本数据，使得其预测的精度更高。在预测下一期股价指数误差较小的情况下，投资者理论上可以将预测值作为参考，在股票市场上进行交易和操作，从而达到降低风险和增加收益的目的。在预测值和真实值相当接近的情况下，投资者在当期预测出下一期股价指数的最高价和最低价时可以采用谨慎的交易策略。即以高于最低价预测值的价格买进，以低于最高价预测值的价格卖出，只要交财经纵横图2真实值和预测值的残差图161

.lag1high.lag1low.lag1close.lag1open-19.5937-0.21760.03730.17401.0119high-13.2429-0.32410.4796-0.07240.9244low64.3919-0.3458-0.24540.39021.1755close31.6291-0.32660.20430.11720.9946high5000450040003500300050004500400035003000values450460470480490index5000450040003500300050004500400035003000450460470480490closelowopen图3预测走势以及置信区间图3画出了滞后项为1时的预测图，图中的虚线表示预测值的置信上下限，可以看出随着预测步长的增加，预测精度越来越差，在图中表现是置信上下限呈喇叭状向外延伸。3VAR模型预测的结构性分析一般的VAR(P)模型有很多参数，由于变量间复杂的交互和回馈效应使得模型的解释性比较差，因此，VAR(P)的动态性质应运而生。三种常用的结构分析是：（1）格兰杰因果检验；（2）脉冲响应函数；（3）预测误差方差的分解。下面结合本文上证指数的例子来研究这三种结构分析。3.1VAR模型对上证指数预测能力的分析VAR(p)模型的主要作用就是预测，VAR模型的结构提供了一个变量或一组变量对其他变量的预测能力。Granger最早提出了一个变量的预测能力。如果一个变量或者一组变量，发现y1有助于预测另一个变量或者另一组变量y2，然后就称y1是y2的Granger原因，否则称y1不是y2的格兰杰原因。严格来说，如果y1不是y2的Grang-er原因，则对于所有的s>0基于(y)2?t?y2?t-1??预测的y2?t+s的MSE和基于(y)2?t?y2?t-1??与(y)1?t?y1?t-
【参考文献】

相关期刊论文 前10条

1 倪延延;张晋昕;;向量自回归模型拟合与预测效果评价[J];中国卫生统计;2014年01期

2 周瑛达;胡琬芸;巩禹;李庆华;;基于R/S分析法和VAR模型的我国股票价格指数的预测性研究[J];生产力研究;2012年04期

3 吴振信;薛冰;王书平;;基于VAR模型的油价波动对我国经济影响分析[J];中国管理科学;2011年01期

4 汪灵枝;赵秋梅;韦增欣;;支持向量机回归集成股市预测模型[J];广西工学院学报(自然科学版);2010年03期

5 杨淑玲;;股票价格的灰色预测[J];江西财经大学学报;2006年05期

6 姚培福;许大丹;;BP神经网络在股票预测中的应用研究[J];广东自动化与信息工程;2006年01期

7 康建林,朱开永,周圣武,韩苗;GARCH模型在中国股票波动预测中的应用[J];赣南师范学院学报;2005年03期

8 徐翔,黄道,李昱瑾;一种改进RBF神经网络在股市建模及预测中的应用[J];微型电脑应用;2004年05期

9 何建敏,常松;中国股票市场多重分形游走及其预测[J];中国管理科学;2002年03期

10 徐龙炳;中国股票市场股票收益稳态特性的实证研究[J];金融研究;2001年06期

相关硕士学位论文 前1条

1 曾毅成;基于改进BP神经网络的上证指数预测[D];厦门大学;2006年

【共引文献】

相关期刊论文 前10条

1 杨文光;严哲;于健;;基于混沌三次指数平滑模型的CPI预测研究[J];陕西科技大学学报(自然科学版);2015年06期

2 赵志;周倩;张晋昕;;时间序列分析方法及其进展[J];中国卫生统计;2015年06期

3 王惠;;城市化、经济增长与公共图书馆发展——基于我国省级面板数据[J];图书馆论坛;2015年12期

4 王文智;武拉平;;国际性因素对玉米期货价格影响研究[J];经济问题探索;2015年09期

5 曹飞;;石油价格冲击与中国实际经济波动研究——基于开放RBC模型的分析[J];中国管理科学;2015年07期

6 徐世鹏;张宁;邵星杰;;城市轨道交通站点客流不确定性研究[J];都市快轨交通;2015年03期

7 张书煜;王瑶;范婷婷;赵珵;王旭泽;;基于社交媒体的投资者情绪对股市收益影响的大数据分析[J];中国市场;2015年25期

8 周业付;刘庆耀;;国际原油价格波动对航运运价影响的实证分析[J];统计与决策;2015年10期

9 陈鹏杰;李天增;;运用小波分析挖掘金融市场中的风险与机会[J];乐山师范学院学报;2015年04期

10 左菲菲;焦建玲;李兰兰;;国际石油价格波动的结构性因素分析[J];合肥工业大学学报(自然科学版);2015年03期

相关硕士学位论文 前10条

1 薛舒婷;基于改进BP神经网络的股价指数预测及交易策略研究[D];西北大学;2018年

2 龚亚忠;基于METSIM的钨冶炼工艺过程仿真研究[D];江西理工大学;2016年

3 张喜梅;中国股票市场的均值回复检验及预测问题研究[D];浙江理工大学;2016年

4 刘晓莹;基于KNN方法的股票价格趋势预测研究[D];东北农业大学;2015年

5 罗超;涉农上市公司股票价格预测研究[D];湖南农业大学;2015年

6 王蓉;神经网络在煤灰熔融性预测中的应用[D];西安科技大学;2014年

7 晁瑞昌;互联网公司的股票价格预测研究[D];东北财经大学;2012年

8 任伟宏;基于人工神经网络的水果价格短期预测研究[D];中国农业科学院;2012年

9 金易笔;基于多级能耗模型的公共建筑可视化能耗监测平台关键技术[D];浙江大学;2012年

10 汪顺伟;基于PCA-BP模型的上证综指预测研究[D];西南石油大学;2011年

【二级参考文献】

相关期刊论文 前10条

1 马金华;席晓宇;褚淑贞;;基于VAR模型的我国生物医药研发投入与医药经济增长研究[J];中国卫生经济;2012年02期

2 国家统计局上海调查总队课题组;刘稚南;;基于因子分析和向量自回归模型的我国价格波动影响因素实证分析(上)[J];上海经济研究;2011年11期

3 于洪江;柳国洪;孙爱峰;夏季明;;时间序列资料季节变动分析方法的比较[J];中国卫生统计;2011年05期

4 闵继胜;胡浩;;基于VAR(向量自回归)模型的我国碳排放与经济增长关系的动态分析[J];经济问题探索;2011年05期

5 李洪雄;汪浩瀚;;向量自回归模型与向量误差修正模型预测功能的比较——基于我国国内生产总值和居民消费支出变量的实证研究[J];宁波大学学报(理工版);2011年02期

6 周杰琦;;国际油价波动对经济增长的影响——基于中国的实证分析[J];技术经济与管理研究;2010年04期

7 耿中元;惠晓峰;;M1和M2作为货币政策中介目标的适用性研究[J];统计研究;2009年09期

8 柳彬德;张丽峰;;中国能源需求向量自回归模型的建立与分析[J];技术经济与管理研究;2009年02期

9 吴建生;刘丽萍;金龙;;粒子群-神经网络集成学习算法气象预报建模研究[J];热带气象学报;2008年06期

10 潘慧峰;张金水;;国内外石油市场的极端风险溢出检验[J];中国管理科学;2007年03期

【相似文献】

相关期刊论文 前10条

1 高承引;;制约我国证券业品牌化的因素与路径分析[J];现代商业;2018年12期

2 彭博;;我国金融证券业发展现状及问题[J];课程教育研究;2012年24期

3 张思博;;试析互联网金融对证券业发展的影响[J];财经界(学术版);2018年21期

4 张海鹏;;棒喝“野蛮人”后,我国证券业的展望[J];时代金融;2017年09期

5 王红曼;;近代证券业的社会责任[J];中国金融;2017年11期

6 翟艳;黄解宇;;证券业集聚对经济增长、区域经济差距的影响研究[J];运城学院学报;2015年01期

7 韩韬;孙弢;梁敉静;;城镇化:金融的机会[J];金融世界;2013年03期

8 张学政;胡念华;;证券业对外开放的路径[J];中国金融;2014年14期

9 卢华立;;论发展证券业系统重要性机构的必要性及路径选择[J];甘肃金融;2014年09期

10 代中现;罗剑钊;;海峡两岸证券业合作监管模式探讨[J];现代商贸工业;2013年09期

相关博士学位论文 前6条

1 李延振;证券业规制的变革研究[D];暨南大学;2002年

2 陈建;证券利益关系研究[D];复旦大学;2010年

3 邹平;我国证券公司发展的制度研究[D];中南大学;2001年

4 洪毅恺;我国证券公司双层次战略联盟研究[D];华东师范大学;2008年

5 邵欣炜;基于VaR的金融风险度量与管理[D];吉林大学;2004年

6 孙亮;基于拓展VaR模型的我国上市公司海外并购风险度量研究[D];辽宁大学;2016年

相关硕士学位论文 前10条

1 王燕;我国证券业系统性风险研究[D];山西财经大学;2014年

2 宫勋;中国证券业空间集聚特征研究[D];南京财经大学;2011年

3 周洋;中国证券业规制问题研究[D];东北财经大学;2005年

4 张晴;中国证券业市场结构及其重组研究[D];苏州大学;2002年

5 陈兴烨;我国证券业上市公司价值评估研究[D];首都经济贸易大学;2015年

6 易靖华;证券业基层经营单元重大不可预知性危机应对策略[D];电子科技大学;2013年

7 方婷婷;我国证券业市场结构与绩效关系研究[D];安徽财经大学;2014年

8 严子棠;江西证券业经营现状及发展对策研究[D];南昌大学;2013年

9 娄志涛;基于聚类分析的证券业客户关系管理研究[D];西北农林科技大学;2010年

10 李铀;证券业竞争格局与并购模式研究[D];大连海事大学;2016年

本文编号：2886228