轉(zhuǎn)讓股票進(jìn)行買賣的方法和形式稱為交易方式，它是股票流通交易的基本環(huán)節(jié)。下面是學(xué)習(xí)啦小編給大家推薦的股票市場(chǎng)相關(guān)的論文，希望大家喜歡!

　　股票市場(chǎng)相關(guān)的論文篇一

　　《淺談我國(guó)A股與B股的收益率波動(dòng)性的差異》

　　【摘要】中國(guó)的股票市場(chǎng)自從上海與深圳證券交易所成立以來(lái)，經(jīng)過(guò)了20年的發(fā)展，與世界其他國(guó)家或地區(qū)的股票市場(chǎng)相比，中國(guó)的股票市場(chǎng)依舊是一個(gè)高度分割的市場(chǎng)，這主要表現(xiàn)在中國(guó)的股票市場(chǎng)被人為的分割為A股市場(chǎng)和B股市場(chǎng)。本文通過(guò)實(shí)證分析A股與B股指數(shù)間的互動(dòng)關(guān)系及變化規(guī)律，試圖找到中國(guó)股票市場(chǎng)不同市場(chǎng)的相似與差異點(diǎn)，從而為政策制定者提供消除或消弱股票場(chǎng)分割提供參考。

　　【關(guān)鍵詞】股票市場(chǎng);ARCH模型;收益率;波動(dòng)性

　　Engle(1982)提出的ARCH模型，被認(rèn)為是最集中地反映了金融數(shù)據(jù)時(shí)間序列方差波動(dòng)特點(diǎn)的模型，成為現(xiàn)代計(jì)量經(jīng)濟(jì)學(xué)研究的重點(diǎn)。ARCH模型是用于分析收益率與波動(dòng)率的有效方法之一，它解釋了收益率序列中比較明顯的變化是否具有規(guī)律性，并且說(shuō)明了這種變化前后依存的內(nèi)在傳導(dǎo)是來(lái)自某一特定類型的非線性結(jié)構(gòu)，較好地刻畫了外部沖擊形成的波動(dòng)集聚性。Bollerslev(1986)修正了ARCH模型，在ARCH模型中加入了條件異方差的移動(dòng)平均項(xiàng)，提出了GARCH模型。

　　本文在分析我國(guó)A股與B股市場(chǎng)的波動(dòng)性問(wèn)題時(shí)，也同樣借鑒了上述方法，并收集了2005年至今的近5年的上證A股與上證B股、深證A股與深證B股的市場(chǎng)日數(shù)據(jù)，著重分析我國(guó)A股與B股市場(chǎng)的收益率波動(dòng)性的差異。

　　一、證券指數(shù)收益率的平穩(wěn)性檢驗(yàn)

　　從下圖中從上到下分別是上證A股指數(shù)、深圳A股、深證B股、上證B股的波動(dòng)性曲線，從中，我們可以看到A股的波動(dòng)要大于B股的波動(dòng)，存在明顯的差異。同時(shí)也可以看出去波動(dòng)的趨勢(shì)基本是一致的。

　　下面，我們來(lái)看看其日收益率曲線是否是平穩(wěn)的，單位根檢驗(yàn)如表1，通過(guò)分別做上證A股指數(shù)、深證A股、深證B股、上證B股的日收益率，及上證A股指數(shù)與上證B股的比率、深證A股與深證B股的日收益率的比值的單位根檢驗(yàn)，發(fā)現(xiàn)上述變量都是平穩(wěn)的。

　　二、A股與B股的收益率的波動(dòng)性分析

　　1.A股與B股的收益率的波動(dòng)性的一致性分析

　　在這里運(yùn)用GARCH-M模型，我們以A股指數(shù)的收益率作為因變量，B股指數(shù)的收益率作為自變量，同時(shí)將GARCH項(xiàng)引入均值方程中，如果各個(gè)統(tǒng)計(jì)量是顯著的，那么表明，A股與B股的日收益率具有一致性;相反，如果統(tǒng)計(jì)量不顯著，那么，表明A股與B股的日收益率不具有一致性。這里仍然選擇上證A股與上證B股、深證A股與深證B股作為研究對(duì)象，觀察期為2005年1月5日至2010年12月17日大約5年的日數(shù)據(jù)。模型設(shè)定如下：

　　(a)式是均值的方程，帶誤差項(xiàng)的外生變量的函數(shù)。因?yàn)槭腔谶^(guò)去信息的一步向前預(yù)測(cè)方差，所以稱為條件方差。條件方差的方程有三項(xiàng)。其中，為A股指數(shù)日收益率，為B股指數(shù)日收益率。

　　檢驗(yàn)結(jié)果如表2。

　　從檢驗(yàn)結(jié)果來(lái)看，該模型的回歸結(jié)果是顯著的，從而與預(yù)期一致，從而可以判定出，A股與B股的日收益率具有一致性。即，當(dāng)面臨同樣的經(jīng)濟(jì)機(jī)遇或者沖擊時(shí)，其反應(yīng)的方向是一致的，而且，在GARCH模型中，發(fā)現(xiàn)GARCH項(xiàng)系數(shù)較大，表明，歷史信息對(duì)當(dāng)期的波動(dòng)作用較大。但是，僅此我們無(wú)法判斷A股與B股的在收到?jīng)_擊時(shí)的反應(yīng)幅度大小。所以，我們接著進(jìn)行下一步的檢驗(yàn)。

　　2.A股與B股的收益率的波動(dòng)性的差異性分析

　　在進(jìn)行A股與B股的收益率的波動(dòng)性的一致性分析時(shí)，以上證A股與上證B股指數(shù)的日收益率的比值，以及深證A股與深證B股指數(shù)的日收益率的比值作為考核對(duì)象，如果兩者的比值波動(dòng)幅度較小，則可以認(rèn)為A股與B股的日收益率的差異較小，反之，則可以認(rèn)為A股與B股的日收益率的差異較大。這里，我們首先來(lái)看看A股與B股的日收益率的比值的數(shù)據(jù)的統(tǒng)計(jì)特征。

　　從表3可以看出，上證A、B股日收益率比值的波動(dòng)較大，而深證A、B股日收益率比值的波動(dòng)較小。通過(guò)GARCH檢驗(yàn)其方差，設(shè)為A股與B股指數(shù)日收益率比值，并設(shè)為被解釋變量，為被解釋變量，模型設(shè)定與前面類似。

　　如果回歸方程的各個(gè)統(tǒng)計(jì)量顯著，則表明滯后一期的比值可以解釋當(dāng)期的收益率比值。從而表明，A股與B股的收益率受到相同的沖擊或利好消息后，其波動(dòng)的差異較小，在可以接受的范圍內(nèi);反之，若統(tǒng)計(jì)量不顯著，那么表明滯后一期不能很好的預(yù)測(cè)到當(dāng)期。此外，在一般的研究中認(rèn)為在GARCH模型中，GARCH項(xiàng)代表歷史趨勢(shì)對(duì)當(dāng)期的波動(dòng)率的作用影響，殘差項(xiàng)代表最新的沖擊對(duì)當(dāng)期波動(dòng)率的影響大小。若GARCH項(xiàng)系數(shù)較大，表明歷史信息對(duì)當(dāng)期的波動(dòng)影響較大;反之，若殘差項(xiàng)較大，則表明，波動(dòng)率在很大程度上由當(dāng)期的最新信息決定。結(jié)合上述分析，回歸結(jié)果如表5。

　　從回歸結(jié)果中，可以看出，深證股票市場(chǎng)的A股與B股的收益率比值的回歸較為顯著，表明，深證股票市場(chǎng)的A股與B股的波動(dòng)性差異較小。而且，其GARCH項(xiàng)系數(shù)較大，表明歷史信息對(duì)收益率比值的波動(dòng)(波動(dòng)性差異)影響較大，而新信息的影響較小，這也可以解釋深圳A、B股市受到新的經(jīng)濟(jì)沖擊下，其波動(dòng)差異較小。

　　此外，上海股票市場(chǎng)的A股與B股的收益率比值的回歸并不顯著，表明了上海股票市場(chǎng)的A股與B股的收益率的波動(dòng)性差異較大，其GARCH項(xiàng)系數(shù)較小，表明歷史信息對(duì)收益率比值(波動(dòng)性差異)的波動(dòng)影響較小，殘差項(xiàng)系數(shù)較大，表明新信息對(duì)波動(dòng)性差異的影響較大。

　　三、結(jié)論及原因分析

　　通過(guò)對(duì)我國(guó)滬深兩市的A股與B股的指數(shù)收益率的進(jìn)行實(shí)證分析，表明，滬深兩市的A股與B股的收益率變動(dòng)具有一致性，但是也存在差異性，具體說(shuō)來(lái)，上海股票市場(chǎng)的A股與B股的波動(dòng)差異較大，而深圳股票市場(chǎng)的A股與B股的差異性較小。

　　我國(guó)的企業(yè)同時(shí)在國(guó)內(nèi)外上市，其面臨的宏觀經(jīng)濟(jì)環(huán)境是一樣的，但是其收益率波動(dòng)性卻存在比較明顯的差異，究其原因，可能有以下幾點(diǎn)：

　　1、市場(chǎng)分割

　　在分割的市場(chǎng)上，風(fēng)險(xiǎn)定價(jià)是不一致的。導(dǎo)致中國(guó)證券市場(chǎng)分割的主要原因是限制國(guó)內(nèi)投資者投資于國(guó)外股票市場(chǎng)和B股市場(chǎng)，以及限制國(guó)外投資者投資于A股市場(chǎng)。

　　2、信息非對(duì)稱

　　影響A、B股價(jià)格差異的信息非對(duì)稱是指國(guó)內(nèi)外投資者之間的信息非對(duì)稱。主要表現(xiàn)為：(l)國(guó)內(nèi)投資者擁有較多信息，國(guó)外投資者擁有較少信息;(2)國(guó)內(nèi)投資者先得到信息，國(guó)外投資者后得到信息。

　　3、流動(dòng)性差異

　　流動(dòng)性是指股票變現(xiàn)的能力。股票市場(chǎng)的功能之一是提高產(chǎn)權(quán)交易的流動(dòng)性。投資流動(dòng)性越差的股票，交易成本越高，流動(dòng)性差的股票具有較高的期望收益和較低的價(jià)格以補(bǔ)償較高的交易成本。

　　4、匯率風(fēng)險(xiǎn)

　　中國(guó)的B股是以美元或港幣計(jì)價(jià)交易的，股票交易環(huán)節(jié)幾乎沒有匯率風(fēng)險(xiǎn)。不過(guò)，根據(jù)《上海市人民幣特種股票管理辦法的實(shí)施細(xì)則》，B股企業(yè)分紅派息以人民幣計(jì)價(jià)，按照人民幣兌美元即時(shí)匯率折算后以美元支付，因此B股投資者承擔(dān)一定的匯率風(fēng)險(xiǎn)。

　　股票市場(chǎng)相關(guān)的論文篇二

　　《股票收益波動(dòng)率預(yù)測(cè)模型比較研究》

　　[摘要]依據(jù)建模理論的不同，可將股票收益波動(dòng)率預(yù)測(cè)模型分為兩大類：一類是以統(tǒng)計(jì)理論為基礎(chǔ)的傳統(tǒng)型的波動(dòng)率預(yù)測(cè)模型;另一類是以神經(jīng)網(wǎng)絡(luò)、灰色理論、支持向量機(jī)等為理論基礎(chǔ)的創(chuàng)新型預(yù)測(cè)模型。運(yùn)用這兩類模型對(duì)股票收益波動(dòng)率進(jìn)行預(yù)測(cè)時(shí)各有特點(diǎn)。本文對(duì)這兩類模型研究現(xiàn)狀進(jìn)行了介紹，對(duì)兩類模型的特點(diǎn)進(jìn)行了比較分析，并對(duì)未來(lái)發(fā)展方向提出建議。

　　[關(guān)鍵詞]股票收益;波動(dòng)率;GARCH模;型SV模型;神經(jīng)網(wǎng)絡(luò);灰色模型;支持向量機(jī)

　　一、股票收益波動(dòng)率預(yù)測(cè)模型研究現(xiàn)狀

　　如何對(duì)股票收益波動(dòng)率進(jìn)行準(zhǔn)確的描述與預(yù)測(cè)?這一直以來(lái)都是金融學(xué)領(lǐng)域探討的熱點(diǎn)問(wèn)題之一。把握股票收益波動(dòng)率的特征及趨勢(shì)，對(duì)投資者測(cè)度、規(guī)避和管理股市風(fēng)險(xiǎn)具有極其重要的理論和實(shí)際意義。因此，長(zhǎng)期以來(lái)許多學(xué)者運(yùn)用各類預(yù)測(cè)模型對(duì)股票收益率波動(dòng)性進(jìn)行實(shí)證分析和預(yù)測(cè)，希望能夠從中得到有益的啟示和可以遵循的規(guī)律。目前，從國(guó)內(nèi)外的相關(guān)文獻(xiàn)來(lái)看，盡管對(duì)股票收益波動(dòng)率進(jìn)行預(yù)測(cè)的模型有很多種，但依據(jù)其建模理論不同，可將模型劃分為兩個(gè)大類：一類是以統(tǒng)計(jì)原理為基礎(chǔ)的傳統(tǒng)型的波動(dòng)率預(yù)測(cè)模型，目前較為流行且具有代表性的模型包括ARCH類模型和SV類模型;另一類是以神經(jīng)網(wǎng)絡(luò)(ANN)、灰色理論(GM)、支持向量機(jī)(SVM)等為基礎(chǔ)的創(chuàng)新型預(yù)測(cè)模型。國(guó)外學(xué)者運(yùn)用GARCH和SV模型進(jìn)行預(yù)測(cè)，其預(yù)測(cè)效果好于國(guó)內(nèi)的同類預(yù)測(cè)。Campbll,Hetschel,Engle,Ng,Pagan,Schwert等證實(shí)GARCH能夠提供較理想的數(shù)據(jù)模擬與預(yù)測(cè)效果。Jun、Yu利用基本SV模型對(duì)新西蘭股市進(jìn)行了預(yù)測(cè)分析,發(fā)現(xiàn)基本SV模型具有很好的預(yù)測(cè)能力。G..B.Durham利用SV-mix模型對(duì)標(biāo)準(zhǔn)普爾500指數(shù)做了預(yù)測(cè)，認(rèn)為預(yù)測(cè)效果較好。國(guó)內(nèi)學(xué)者如魏巍賢、張永東、錢浩韻、張世英等分別運(yùn)用GARCH和SV對(duì)我國(guó)股市進(jìn)行預(yù)測(cè)，效果不是十分理想。而利用創(chuàng)新型預(yù)測(cè)模型(ANN，GM，SVM)對(duì)股市進(jìn)行預(yù)測(cè)，國(guó)內(nèi)外文獻(xiàn)顯示預(yù)測(cè)效果都比較理想。Hill等將神經(jīng)網(wǎng)絡(luò)與六種傳統(tǒng)的統(tǒng)計(jì)預(yù)測(cè)方法作了對(duì)比，他們用了111個(gè)時(shí)間序列進(jìn)行預(yù)測(cè)，結(jié)論是：采用短期(月度、季度)數(shù)據(jù)預(yù)測(cè)時(shí)，神經(jīng)網(wǎng)絡(luò)明顯優(yōu)于傳統(tǒng)的統(tǒng)計(jì)模型;采用長(zhǎng)期(年度)數(shù)據(jù)時(shí)，預(yù)測(cè)結(jié)果相差不多。李敏強(qiáng)、吳微、胡靜等許多學(xué)者實(shí)證研究結(jié)果表明：人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于我國(guó)股票市場(chǎng)的預(yù)測(cè)是可行和有效的。陳海明、段進(jìn)東、施久玉、胡程鵬、覃思乾應(yīng)用灰色GM(1，1)模型對(duì)股票價(jià)格進(jìn)行短期預(yù)測(cè)，效果很好。W.Huang等用支持向量機(jī)預(yù)測(cè)股票市場(chǎng)運(yùn)動(dòng)方向。P.Pai等將ARIMA模型和SMV模型結(jié)合起來(lái)，提出一種組合模型來(lái)進(jìn)行股票價(jià)格預(yù)測(cè),得出該組合模型優(yōu)于單個(gè)ARIMA或SVM的結(jié)論。國(guó)內(nèi)的楊一文、楊朝軍利用SMV對(duì)上海證券綜合指數(shù)序列趨勢(shì)做較準(zhǔn)確的多步預(yù)測(cè)。李立輝等將SMV應(yīng)用到我國(guó)上證180指數(shù)預(yù)測(cè)中。周萬(wàn)隆、姚艷、趙金晶等實(shí)驗(yàn)結(jié)果表明，SVM預(yù)測(cè)精度很高。

　　總之，比較國(guó)內(nèi)外學(xué)者的研究狀況，至少可以得出以下兩個(gè)結(jié)論：一是國(guó)外學(xué)者采用美國(guó)或其他西方國(guó)家股市的相關(guān)數(shù)據(jù)帶入GARCH類或SV類模型進(jìn)行數(shù)據(jù)擬合或預(yù)測(cè)，其效果普遍要好于國(guó)內(nèi)學(xué)者采用國(guó)內(nèi)股市相關(guān)數(shù)據(jù)進(jìn)行的同類研究;二是我國(guó)學(xué)者運(yùn)用創(chuàng)新型預(yù)測(cè)模型進(jìn)行股市方面預(yù)測(cè)的文獻(xiàn)多于傳統(tǒng)的統(tǒng)計(jì)模型，而且從預(yù)測(cè)效果上看，創(chuàng)新型預(yù)測(cè)模型的預(yù)測(cè)精確度要高于傳統(tǒng)型統(tǒng)計(jì)類預(yù)測(cè)模型。

　　二、基于統(tǒng)計(jì)原理的預(yù)測(cè)模型與創(chuàng)新型預(yù)測(cè)模型的比較分析

　　1.建模的理論基礎(chǔ)不同。傳統(tǒng)的基于統(tǒng)計(jì)原理的股票收益波動(dòng)率預(yù)測(cè)模型是建立在統(tǒng)計(jì)分析理論基礎(chǔ)之上的。而處理基于概率統(tǒng)計(jì)的隨機(jī)過(guò)程，是要求樣本量越大越好，原始數(shù)據(jù)越完整、越明確越好。但事實(shí)上，在實(shí)際中，即使有了大樣本量，也不一定找到規(guī)律，即使有了統(tǒng)計(jì)規(guī)律也不一定是典型的。創(chuàng)新型預(yù)測(cè)模型則是完全脫離統(tǒng)計(jì)理論的基礎(chǔ)，以一種創(chuàng)新型的建模思維，來(lái)建立預(yù)測(cè)模型。例如灰色模型是建立在灰色理論基礎(chǔ)之上的，依據(jù)廣義能量變化規(guī)律，將歷史資料做累加處理，使其呈現(xiàn)出指數(shù)變化規(guī)律，然后建模。而人工神經(jīng)網(wǎng)絡(luò)模型是建立在神經(jīng)網(wǎng)絡(luò)理論基礎(chǔ)之上的，它通過(guò)模仿人腦神經(jīng)系統(tǒng)的結(jié)構(gòu)及信息處理和檢索等功能，建立神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測(cè)。支持向量機(jī)則依據(jù)的是統(tǒng)計(jì)學(xué)習(xí)的機(jī)器學(xué)習(xí)理論，通過(guò)凸優(yōu)化，使得局部解一定是最優(yōu)解，克服了神經(jīng)網(wǎng)絡(luò)收斂速度慢和局部極小點(diǎn)等缺陷。

　　2.對(duì)數(shù)據(jù)的要求與處理不同。基于統(tǒng)計(jì)原理的預(yù)測(cè)模型要求樣本量大并有很好的分布規(guī)律，無(wú)論是GARCH類還是SV類模型，只有在樣本量足夠大，且分布較好的情況下，其預(yù)測(cè)效果才會(huì)比較理想。例如，運(yùn)用GARCH模型對(duì)美國(guó)股指進(jìn)行預(yù)測(cè)要比對(duì)國(guó)內(nèi)股指進(jìn)行預(yù)測(cè)效果理想，原因是我國(guó)股市發(fā)展的時(shí)間相對(duì)較短，期間由于宏觀調(diào)控和股改等原因，造成股指大起大落，導(dǎo)致數(shù)據(jù)分布規(guī)律性不強(qiáng)，因此我國(guó)運(yùn)用這類模型存在一定局限。而創(chuàng)新型預(yù)測(cè)模型對(duì)樣本量的要求和分布程度的要求均較低。例如灰色模型，只要擁有7、8個(gè)數(shù)據(jù)就可對(duì)下一個(gè)數(shù)據(jù)進(jìn)行預(yù)測(cè)。在處理技術(shù)上，灰色模型要對(duì)原始數(shù)據(jù)進(jìn)行累加處理，使表面雜亂無(wú)章的數(shù)據(jù)呈現(xiàn)出明顯的指數(shù)規(guī)律，建模計(jì)算之后，再進(jìn)行累減還原。神經(jīng)網(wǎng)絡(luò)模型則采用數(shù)據(jù)驅(qū)動(dòng)，黑箱建模，無(wú)需先驗(yàn)信息，能夠在信息資源不完整、不準(zhǔn)確等復(fù)雜的數(shù)據(jù)環(huán)境下，通過(guò)自身結(jié)構(gòu)的調(diào)整，提取數(shù)據(jù)特征，并對(duì)未來(lái)進(jìn)行有效預(yù)測(cè)。

　　3.模型結(jié)構(gòu)的穩(wěn)定性與適應(yīng)性不同?；诮y(tǒng)計(jì)原理的預(yù)測(cè)模型一經(jīng)建立，其模型結(jié)構(gòu)具有較強(qiáng)的穩(wěn)定性，模型變量之間存在一個(gè)穩(wěn)定的內(nèi)在關(guān)系。無(wú)論是GARCH模型還是SV模型，模型結(jié)構(gòu)都相對(duì)穩(wěn)定、簡(jiǎn)單，而且都是單因素模型。但在實(shí)際中，預(yù)測(cè)環(huán)境是復(fù)雜多變的，一旦系統(tǒng)變量之間出現(xiàn)新的關(guān)系，該類模型則無(wú)法調(diào)整和適應(yīng)。創(chuàng)新型預(yù)測(cè)模型則是一種或者多因素、或者可以變結(jié)構(gòu)的模型，其計(jì)算相對(duì)復(fù)雜，但其適應(yīng)能力要好于基于統(tǒng)計(jì)原理的預(yù)測(cè)模型。例如灰色模型，除了有基本的GM(1，1)模型，對(duì)于高階系統(tǒng)，灰色理論通過(guò)GM(1，n)模型群解決，并且可以綜合考慮多種因素的影響。而神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)都是變結(jié)構(gòu)模型，通過(guò)網(wǎng)絡(luò)對(duì)新樣本的學(xué)習(xí)，調(diào)整其內(nèi)部結(jié)構(gòu)，從而適應(yīng)系統(tǒng)變量的變化。對(duì)于非線性高維、高階問(wèn)題神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)會(huì)發(fā)揮得更好。

　　4.預(yù)測(cè)精準(zhǔn)度與外推性強(qiáng)弱不同。相比較而言，基于統(tǒng)計(jì)原理的預(yù)測(cè)模型誤差較大，外推性差。因?yàn)榛诮y(tǒng)計(jì)原理的預(yù)測(cè)模型對(duì)數(shù)據(jù)樣本沒有再處理或?qū)W習(xí)的過(guò)程，因此對(duì)樣本的擬合性較低，由此導(dǎo)致其外推性也較差。而創(chuàng)新型預(yù)測(cè)模型相對(duì)而言精確度較高，外推性強(qiáng)。原因是創(chuàng)新型預(yù)測(cè)模型對(duì)數(shù)據(jù)具有再處理或?qū)W習(xí)的過(guò)程?；疑Ｐ褪菍?duì)數(shù)據(jù)進(jìn)行了累加處理;而神經(jīng)網(wǎng)絡(luò)模型和支持向量機(jī)是對(duì)數(shù)據(jù)進(jìn)行了學(xué)習(xí)，然后進(jìn)行推理、優(yōu)化。因此，創(chuàng)新型預(yù)測(cè)模型的擬合度和外推能力都要高于統(tǒng)計(jì)類模型。

　　5.預(yù)測(cè)難度與預(yù)測(cè)時(shí)間長(zhǎng)度不同?；诮y(tǒng)計(jì)原理的預(yù)測(cè)模型技術(shù)比較成熟，預(yù)測(cè)過(guò)程相對(duì)簡(jiǎn)單。無(wú)論是GARCH類還是SV類預(yù)測(cè)模型，其建立模型依據(jù)的理論基礎(chǔ)堅(jiān)實(shí)，模型構(gòu)造相對(duì)簡(jiǎn)單，計(jì)算難度相對(duì)較低。由于這類模型采用的數(shù)據(jù)是較長(zhǎng)時(shí)間的歷史數(shù)據(jù)，因此可以對(duì)未來(lái)進(jìn)行較長(zhǎng)時(shí)間的預(yù)測(cè)。而創(chuàng)新型預(yù)測(cè)模型預(yù)測(cè)技術(shù)還有改進(jìn)的余地，且預(yù)測(cè)難度較大。如利用神經(jīng)網(wǎng)絡(luò)進(jìn)行股票收益波動(dòng)率預(yù)測(cè)，其過(guò)程相對(duì)較難，因?yàn)樯窠?jīng)網(wǎng)絡(luò)需要設(shè)定隱層，權(quán)重;其隱層和權(quán)重設(shè)置合理與否，直接導(dǎo)致預(yù)測(cè)結(jié)果的合理與準(zhǔn)確。用支持向量機(jī)方法進(jìn)行預(yù)測(cè)，涉及到核函數(shù)的確定。核函數(shù)的確定難度較大。由于創(chuàng)新型預(yù)測(cè)模型對(duì)數(shù)據(jù)要求度不高，一般是小樣本量預(yù)測(cè)，因此，適用于對(duì)預(yù)測(cè)對(duì)象進(jìn)行短期預(yù)測(cè)。

　　三、我國(guó)股票收益波動(dòng)率預(yù)測(cè)模型發(fā)展方向

　　1.創(chuàng)新型的智能化預(yù)測(cè)模型將成為我國(guó)股票收益率預(yù)測(cè)的一個(gè)發(fā)展方向。首先，創(chuàng)新型預(yù)測(cè)模型能夠克服我國(guó)股市數(shù)據(jù)不完整、波動(dòng)大、分布不合理等缺點(diǎn)，采用小樣本數(shù)據(jù)對(duì)股市進(jìn)行短期預(yù)測(cè)，預(yù)測(cè)的精準(zhǔn)度相對(duì)高于傳統(tǒng)的統(tǒng)計(jì)類預(yù)測(cè)模型。其次，創(chuàng)新類模型中的智能化模型能夠模仿或部分模仿人工智能，對(duì)影響股市的多種因素進(jìn)行復(fù)雜的非線性變結(jié)構(gòu)處理，既能克服單因素模型包含信息不充分的缺點(diǎn)，也能克服固定結(jié)構(gòu)模型無(wú)法處理突發(fā)性事件的缺點(diǎn)，能盡量充分地反映影響股市的多種信息和復(fù)雜變化，從而增加預(yù)測(cè)的準(zhǔn)確度。

　　2.組合預(yù)測(cè)模型將成為我國(guó)股票收益率預(yù)測(cè)模型發(fā)展的另一個(gè)發(fā)展方向。組合預(yù)測(cè)是將不同預(yù)測(cè)模型的預(yù)測(cè)結(jié)果依據(jù)一定的原則賦予不同的權(quán)重，然后進(jìn)行加權(quán)平均，得出最終的預(yù)測(cè)結(jié)果。這種預(yù)測(cè)方法可以克服單一預(yù)測(cè)模型信息量不充分的缺點(diǎn)，充分發(fā)揮不同預(yù)測(cè)模型的優(yōu)勢(shì)，最大限度獲取不同角度的信息量，提高股票收益率預(yù)測(cè)水平。

　　3.包含各種非量化信息的預(yù)測(cè)模型將成為我國(guó)股票收益率預(yù)測(cè)模型的一個(gè)重要發(fā)展方向。目前股票收益率預(yù)測(cè)模型都屬于數(shù)量化預(yù)測(cè)模型,非量化的因素?zé)o法融入到模型之中,這就導(dǎo)致預(yù)測(cè)中丟失了大量的非量化信息,預(yù)測(cè)的精準(zhǔn)度受到很大影響。如何能將各種影響股市的非定量化信息進(jìn)行技術(shù)處理后轉(zhuǎn)變成量化信息,使之能夠被加入到股票收益率預(yù)測(cè)的模型當(dāng)中,從而充分反映政策因素、心理因素、突發(fā)事件等非量化因素對(duì)股票收益率的影響,提高預(yù)測(cè)的精確度,是股票收益率預(yù)測(cè)模型的一個(gè)重要發(fā)展方向。