上海证券交易所新收盘机制政策评价
发布时间：2022-01-01 15:28
政策评价也称为政策评估,是对政策进行不同角度的评价,从而达到对政策查漏补缺积累经验的作用。上交所在2018年8月20日实施新的收盘机制政策,该政策调整了收盘价的产生机制。政策已经实施一年多的时间了,因此对该项政策的评价不仅是对政策实施效果的检验,更是对未来提供更好的政策做的一次铺垫。本文从统计学视角出发,通过对上证指数的收盘价数据本身进行分析,观测其波动性变化情况来分析政策的实施效果如何,从而来对政策的实施效果提出评价。为了提高评价的客观性,本文使用三种不同的方法对政策的实施效果进行统计分析。通过实证分析研究在实行新的收盘机制政策之后,股票收盘价的波动是否更加稳定,收盘价是否更加准确,以及政策的实施是否有效等进行政策评价。首先,通过对政策前后收盘价波动的分析和对收盘前连续交易阶段的价格波动分析发现,在新的收盘机制实施之后,上证指数的收盘价整体价格下降,收益率的方差明显减小,说明政策实施之后收盘价的波动性减小。对收盘前连续交易的高频数据的已实现波动率和已实现双幂次变差研究表明,收盘前的价格波动偏大。最后两种方法用来分析新的交易机制政策是否改变了收盘价的走势,实证结果表明两种方法都说明新交...
【文章来源】：江西财经大学江西省
【文章页数】：59 页
【学位级别】：硕士
【部分图文】：
折线图
4政策实施前后收盘价波动分析23表4-4高频数据波动率描述统计分析表,,-政策前（RV1）政策后（RV2）政策前（RVT1）政策后（RVT2）平均5.49E-076.98E-072.46E-073.15E-07中位数5.03E-076.36E-072.24E-072.91E-07标准差2.24E-072.6E-071.09E-071.2E-07方差5.03E-146.76E-141.18E-141.44E-14峰度2.0782893.0665332.4227071.195632偏度1.260031.4226491.3231861.057635极值1.36E-061.62E-066.36E-076.65E-07最小值1.62E-072.08E-076.67E-081.04E-07最大值1.52E-061.83E-067.03E-077.69E-07变异系数0.4088710.3725220.4413160.380959从上表的统计量研究不难发现，无论是的均值还是,,-的均值，政策后的都大于政策前的，说明在新的收盘机制影响下，收盘前的价格波动明显增大。而从变异系数可以看出，新收盘机制下收盘前的高频数据波动率的变异系数更小，说明新收盘机制实施后收盘前的整体价格波动变化较为稳定。结合波动率的大小来看，在新的收盘机制影响下，收盘前的价格出现了在固定范围内的频繁波动。再画出新收盘机制的的折线图和,,-的折线图，如下图所示：图4-1折线图图4-2,,-折线图无论是从的折线图还是,,-的折线图都可以看出，在政策刚实施后的价格波动率明显要大于政策已经实施一段时间之后。说明股民在对政策的实施不断尝试，在摸清市场规律之后，收益率的波动明显低了一些。但是无论是哪一个阶段，和,,-的波动率都是十分平稳的。为了检验这个想法，对和,,-进行平稳性检验。
上海证券交易所新收盘机制政策评价265收盘价的变点估计5.1CUSUM控制图变点估计根据前文对政策的研究，本文使用决策区间形式CUSUM控制图对收盘价时间序列进行变点估计，将政策公布前的样本数据假设为收盘价的“正常情况”，使用CUSUM控制图对政策公布之后的收盘价数据进行检测，以找出“故障”的收盘价。由于实际上收盘价的变化每日差距比较小，不容易体现出来。所以，将政策公布之后的数据按每5个交易日进行分组，“突变”预测流程如下：Setp1：先对假定“正常”的收盘价进行计算得出政策为变点之前的收盘价均值；Setp2：在将政策实施后的收盘价数据按每5个交易日为一组分为20组，计算出每组对应的均值和标准差；Setp3：CUSUM控制图的构建，根据前文的介绍，一般取=2，=5或6，分别计算出上单侧累积和+和下单侧累积和。Setp4：根据计算出来的累积和与阈值进行比较，当+>或<时，判断收盘价处于“异常状态”，可以方便下一步分析。5.2CUSUM控制图实证过程将政策实施前后两年的上证综指收盘价的数据作为样本数据，应用CUSUM控制图对样本数据进行检测前要求样本数据服从正态分布，因此先对样本数据进行正态性检验，使用R语言对数据进行Shapiro-Wilk检验（以下简称W检验）并画出样本数据的QQ图，结果如下：图5-1样本数据的正态Q-Q图
【参考文献】：
期刊论文
[1]基于误差校正的GARCH股票价格预测模型[J]. 于志军,杨善林. 中国管理科学. 2013(S1)
[2]累积和控制图与休哈特控制图联合应用方法[J]. 王敏华,周娟,沈丹. 湖北工业大学学报. 2008(05)
[3]产业政策演变、政策效力与产业发展——基于我国煤炭产业的实证分析[J]. 刘冰,马宇. 产业经济研究. 2008(05)
[4]基于BP神经网络的我国产业政策作用力评价研究[J]. 杨贵彬. 科技进步与对策. 2007(11)
[5]应用CUSUM控制图监控过程变差方法的比较[J]. 王前洪,张宇. 现代制造工程. 2006(02)
[6]我国支柱产业的产业政策实施效果评价[J]. 刘希宋,夏志勇,赵寰. 技术经济. 2005(04)
[7]集合竞价与连续竞价机制下的股票价格行为分析[J]. 王志刚,曾勇,李平. 管理学报. 2005(02)
[8]高频金融时间序列研究:回顾与展望[J]. 徐正国,张世英. 西北农林科技大学学报(社会科学版). 2005(01)
[9]中国股市回报波动性分析——高频数据揭示股市的特征[J]. 房振明,王春峰,蒋祥林. 系统工程. 2004(02)
[10]市场质量与交易机制改革——以上海证券市场收盘方式变动为例[J]. 孙培源,刘凤元,陈启欢. 证券市场导报. 2004(01)
硕士论文
[1]上海房地产调控政策实施效果评价[D]. 朱玉娟.电子科技大学 2019
[2]基于贝叶斯方法的高维数据流控制图与应用[D]. 况鑫.暨南大学 2018
[3]基于GARCH族模型的股票市场波动特征分析[D]. 王楠.沈阳工业大学 2018
[4]我国体育产业政策有效性研究[D]. 龙盈利.华侨大学 2018
[5]基于CUSUM控制图的风力发电机组的状态监控研究[D]. 郭敏.长沙理工大学 2018
[6]不同分布假设GARCH模型择优及其在股市波动溢出效应中的研究[D]. 刘梦佳.江西财经大学 2017
[7]基于ARIMA与GRNN组合模型对人民币汇率的预测[D]. 张艳.湖北工业大学 2017
[8]气温时间序列的均值变点检验的探究[D]. 方媛.暨南大学 2015
本文编号：3562410
【文章来源】：江西财经大学江西省
【文章页数】：59 页
【学位级别】：硕士
【部分图文】：
折线图
4政策实施前后收盘价波动分析23表4-4高频数据波动率描述统计分析表,,-政策前（RV1）政策后（RV2）政策前（RVT1）政策后（RVT2）平均5.49E-076.98E-072.46E-073.15E-07中位数5.03E-076.36E-072.24E-072.91E-07标准差2.24E-072.6E-071.09E-071.2E-07方差5.03E-146.76E-141.18E-141.44E-14峰度2.0782893.0665332.4227071.195632偏度1.260031.4226491.3231861.057635极值1.36E-061.62E-066.36E-076.65E-07最小值1.62E-072.08E-076.67E-081.04E-07最大值1.52E-061.83E-067.03E-077.69E-07变异系数0.4088710.3725220.4413160.380959从上表的统计量研究不难发现，无论是的均值还是,,-的均值，政策后的都大于政策前的，说明在新的收盘机制影响下，收盘前的价格波动明显增大。而从变异系数可以看出，新收盘机制下收盘前的高频数据波动率的变异系数更小，说明新收盘机制实施后收盘前的整体价格波动变化较为稳定。结合波动率的大小来看，在新的收盘机制影响下，收盘前的价格出现了在固定范围内的频繁波动。再画出新收盘机制的的折线图和,,-的折线图，如下图所示：图4-1折线图图4-2,,-折线图无论是从的折线图还是,,-的折线图都可以看出，在政策刚实施后的价格波动率明显要大于政策已经实施一段时间之后。说明股民在对政策的实施不断尝试，在摸清市场规律之后，收益率的波动明显低了一些。但是无论是哪一个阶段，和,,-的波动率都是十分平稳的。为了检验这个想法，对和,,-进行平稳性检验。
上海证券交易所新收盘机制政策评价265收盘价的变点估计5.1CUSUM控制图变点估计根据前文对政策的研究，本文使用决策区间形式CUSUM控制图对收盘价时间序列进行变点估计，将政策公布前的样本数据假设为收盘价的“正常情况”，使用CUSUM控制图对政策公布之后的收盘价数据进行检测，以找出“故障”的收盘价。由于实际上收盘价的变化每日差距比较小，不容易体现出来。所以，将政策公布之后的数据按每5个交易日进行分组，“突变”预测流程如下：Setp1：先对假定“正常”的收盘价进行计算得出政策为变点之前的收盘价均值；Setp2：在将政策实施后的收盘价数据按每5个交易日为一组分为20组，计算出每组对应的均值和标准差；Setp3：CUSUM控制图的构建，根据前文的介绍，一般取=2，=5或6，分别计算出上单侧累积和+和下单侧累积和。Setp4：根据计算出来的累积和与阈值进行比较，当+>或<时，判断收盘价处于“异常状态”，可以方便下一步分析。5.2CUSUM控制图实证过程将政策实施前后两年的上证综指收盘价的数据作为样本数据，应用CUSUM控制图对样本数据进行检测前要求样本数据服从正态分布，因此先对样本数据进行正态性检验，使用R语言对数据进行Shapiro-Wilk检验（以下简称W检验）并画出样本数据的QQ图，结果如下：图5-1样本数据的正态Q-Q图
【参考文献】：
期刊论文
[1]基于误差校正的GARCH股票价格预测模型[J]. 于志军,杨善林. 中国管理科学. 2013(S1)
[2]累积和控制图与休哈特控制图联合应用方法[J]. 王敏华,周娟,沈丹. 湖北工业大学学报. 2008(05)
[3]产业政策演变、政策效力与产业发展——基于我国煤炭产业的实证分析[J]. 刘冰,马宇. 产业经济研究. 2008(05)
[4]基于BP神经网络的我国产业政策作用力评价研究[J]. 杨贵彬. 科技进步与对策. 2007(11)
[5]应用CUSUM控制图监控过程变差方法的比较[J]. 王前洪,张宇. 现代制造工程. 2006(02)
[6]我国支柱产业的产业政策实施效果评价[J]. 刘希宋,夏志勇,赵寰. 技术经济. 2005(04)
[7]集合竞价与连续竞价机制下的股票价格行为分析[J]. 王志刚,曾勇,李平. 管理学报. 2005(02)
[8]高频金融时间序列研究:回顾与展望[J]. 徐正国,张世英. 西北农林科技大学学报(社会科学版). 2005(01)
[9]中国股市回报波动性分析——高频数据揭示股市的特征[J]. 房振明,王春峰,蒋祥林. 系统工程. 2004(02)
[10]市场质量与交易机制改革——以上海证券市场收盘方式变动为例[J]. 孙培源,刘凤元,陈启欢. 证券市场导报. 2004(01)
硕士论文
[1]上海房地产调控政策实施效果评价[D]. 朱玉娟.电子科技大学 2019
[2]基于贝叶斯方法的高维数据流控制图与应用[D]. 况鑫.暨南大学 2018
[3]基于GARCH族模型的股票市场波动特征分析[D]. 王楠.沈阳工业大学 2018
[4]我国体育产业政策有效性研究[D]. 龙盈利.华侨大学 2018
[5]基于CUSUM控制图的风力发电机组的状态监控研究[D]. 郭敏.长沙理工大学 2018
[6]不同分布假设GARCH模型择优及其在股市波动溢出效应中的研究[D]. 刘梦佳.江西财经大学 2017
[7]基于ARIMA与GRNN组合模型对人民币汇率的预测[D]. 张艳.湖北工业大学 2017
[8]气温时间序列的均值变点检验的探究[D]. 方媛.暨南大学 2015
本文编号：3562410
本文链接：https://www.wllwen.com/shoufeilunwen/jjglss/3562410.html
