一、SARS疫情对深证成指影响的时间序列模型（论文文献综述）
吴凌睿,江紫凡,王芬[1]（2022）在《新冠“黑天鹅”下中美股票市场波动趋势探讨——基于GARCH模型的实证研究》文中指出受新冠肺炎疫情的影响,2020年后全球金融市场发生剧烈动荡。在此背景下,本文基于GARCH模型的应用建模和研究设计,探讨新冠"黑天鹅"对中美股票市场的波动性特征冲击问题。本文具体估计了GARCH模型参数,并结合四个月的窗口期对比研究了疫情前、中、后期中美股票市场的波动趋势特征和表现。结果表明:新冠疫情对中美两国股市都造成了严重冲击,疫情后期的股市波动相对于前中期更为剧烈,同时疫情后中国股票市场的波动性趋势特征强于美国。最后,本文对中美股指收益率及其波动率序列进行因果关系检验,发现存在美股走势对中国股市的单向Granger原因。基于研究结论,本文提出了加强市场风险监测、完善资本市场制度建设、关注国际资本市场联动性等政策建议。
章晟,景辛辛[2]（2021）在《新冠疫情冲击下投资者信心与宏观经济政策作用效果》文中研究表明定量分析新冠肺炎疫情冲击下经济政策对金融市场的稳定作用,有利于政府有效应对重大公共事件对金融市场的冲击。首先,基于理论模型分析得出新冠疫情对市场投资者信心冲击遵循负面舆情路径;其次,建立自回归条件异方差模型实证检验疫情对投资者信心冲击效应的大小与特征;最后,实证检验疫情冲击下,政府采取的财政政策与货币政策对投资者信心的稳定作用。实证研究结果表明,新冠疫情对境外投资者信心的冲击更大;对境内投资者信心冲击效应具有异质性,机构投资者并没有发挥市场稳定器的作用;疫情对高风险偏好投资者信心的冲击更强。政府采取的财政政策与货币政策均能显着降低疫情对投资者信心的冲击,且市场稳定效应具有前高后低的阶段性特征。
钱玲玲[3]（2021）在《中国大陆股市与国际主要股市的相依性、风险溢出与影响因素研究》文中指出随着中国经济的快速发展和金融市场一体化进程的加速,中国大陆与全球主要经济体之间的经济、贸易和金融联系日益紧密,其金融市场呈现出非线性、非对称性、尾部相依性等复杂的相依关系。与此同时,风险在国际金融市场间的传导速度也在不断加快,风险度量和管理的难度日益增加。因此,准确地描述金融市场相依性、有效地度量金融风险以及合理地检验风险溢出已成为现代金融分析亟待解决的关键问题。探究中国大陆股市与国际主要股市的相依性、风险溢出与影响因素对于促进我国大陆金融市场的国际化和维护经济金融安全具有重要的理论和现实意义。在金融市场相依性和风险管理的研究和实践中,金融市场的非线性相依、尾部相依等特征已导致传统的相依性与风险溢出分析方法不再适用,Copula理论的出现及其成功应用提供了一个很好的解决方案。基于此,本文综合利用Copula函数等计量方法来描述金融市场间复杂的相依性,更准确地进行风险度量和风险溢出检验。具体而言,为了研究中国加入WTO后中国大陆股市与中国香港、中国台湾、美国、日本、韩国、澳大利亚、英国、法国、德国、巴西、俄罗斯、印度股市的相依性、风险溢出与影响因素,本文首先构建了四种边缘分布模型,从而选取描述样本股市收益率边缘分布的最优模型,为正确利用Copula函数进行分析奠定了基础。研究发现,非参数ARMA-GARCH族-EVT模型最适于描述样本股市的边缘分布。其次,在相依性建模阶段,本文利用了9种静态Copula函数、3种时变Copula函数和DCC-GARCH模型对上证综指与其他样本股指两两组合的相依结构进行刻画。结果表明,在样本期间,中国大陆股市与国际主要股市的相依性整体较弱,且具有显着的时变性与区域性特征。进一步,结构突变点的诊断结果表明,中国大陆股市与国际主要股市的相依性受到金融危机等事件的影响,表现出显着的阶段性特征。再次,在经济基础说、资本流动说和市场传染说的基础上,本文从经济政策不确定性、共同冲击、宏观经济状况和股市特性四个方面探究了中国大陆股市与国际主要股市相依性的影响因素。面板回归结果显示,经济政策不确定性差异和利率差异显着降低了股市相依性,而全球金融危机和贸易依存度产生了正面影响。此外,本文在考察股票这一类资产内部不同国家（地区）相依性的基础上,进一步探讨了股票资产与其他金融资产的相依性。具体而言,本文以近年来新兴的数字货币资产为代表,利用Copula函数、DCC-TGARCH和DCC-MIDAS模型探究了全球股市与数字货币市场的跨资产类别相依性以及经济政策不确定性和新冠肺炎疫情对其的影响。结果表明,全球股市组合与数字货币市场指数CRIX间的相依性较低,说明数字货币对股市具有一定的风险对冲能力,并且经济政策不确定性与新冠肺炎疫情有一定影响。最后,考虑到Vine Copula模型在描述多变量间复杂相依结构方面的优势,本文利用三种Vine Copula模型进行分析建模,以确定最优模型。结果表明,R-Vine Copula最适于描述中国大陆股市与国际主要股市的高维相依结构,且样本股市的相依性存在明显的结构差异。基于R-Vine Copula模型,本文结合蒙特卡洛模拟法和基于滚动时间窗的估计样本外预测方法估计了各股指及其组合的在险价值（Va R）,进而选用Va R-Granger因果检验与Diebold&Yilmaz溢出指数探究了中国大陆股市与国际主要股市的风险溢出。结果表明,从中国大陆股市到美国、法国和德国股市均表现出了极端风险的溢出效应。从风险溢出强度的结果来看,中国台湾、中国大陆、中国香港、美国、英国、日本股市是风险溢出的净输出者,而俄罗斯、巴西、德国、韩国、印度、法国与澳大利亚股市是风险溢出的净接受者。本文主要有以下三点启示:其一,制定相关政策,防范国际金融市场的系统性风险,加快推进央行数字货币;其二,改善宏观基本面,加强金融市场建设,稳步推进对外开放和国际合作;其三,充分考虑全球股市间及其与数字货币市场的相依性与风险溢出以及当前的经济政策不确定性,从而更准确地预测国际金融市场的走势。
刘剑锋,沈继胜[4]（2021）在《基于时变SJC-Copula函数的厚尾事件对中美股市动态相依性的冲击研究》文中研究说明选取中美两国股市指数的对数收益率时间序列数据,研究中美股票市场间尾部相依性。研究表明,静态角度看,中美股市间上下尾部几乎不存在相依性;从时变相依性结果看,总体上下尾相依性显着于静态相依性,且存在突变区间。进一步结合全球新冠肺炎疫情背景,研究中国疫苗板块与标普500指数间相依性,结果表明:静态相依性仍较低;时变上尾相依性显着。所以新冠肺炎疫情背景下,中国疫苗板块与标普500指数存在较强的尾部相依性。
徐宏,蒲红霞[5]（2021）在《新冠疫情对中国股票市场的影响——基于事件研究法的研究》文中提出本文运用事件研究法实证研究新冠疫情对中国股市的影响,并与非典和H7N9禽流感进行对比。研究发现:新冠疫情对股市造成显着负向冲击且呈W型趋势,对主板市场影响最大;除医药行业外,其他行业均受疫情负向影响;三次疫情对股市的负向冲击均呈短期性,一般在疫情公告日的第三到第八个交易日达到最大,新冠疫情的冲击最强烈,H7N9次之,非典最小;冲击持续时间上,新冠疫情为16天,非典为14天,H7N9为8天;新冠疫情影响股市的传导机制为投资者负面情绪的传染效应,导致不同地区的公司股价产生共振,造成股市整体下跌。
赵晗羽[6]（2021）在《沪港通和深港通开通前后沪深港股市联动性的研究》文中研究表明中国内地的金融市场通过实施股票交易改革,合格的外国机构投资者机制（QFII）和合格的国内机构投资者机制（QDII）等多项开放政策,逐步扩大对外界的开放程度,并通过我国金融市场的快速发展和改革,香港与内地在各个方面的交流与合作都更为频繁和紧密。在这种环境下,为了继续促进我国金融市场的开放和国际资本市场的一体化,我国分别在2014年和2016年实施了两项重要措施:沪港通和深港通,进一步通畅内地和香港开放资金的流通的桥梁。所以,在新时代、新背景下,研究“沪港通”、“深港通”启动前后内地沪、深、港三市之间的联动效应尤其关键。本文主要目的是为了分析中国上海、深圳和香港这三个主要股份在证券市场之间相互联动的作用与效应,所使用的样本数据分别为上证综合、深证成分指数与恒生指数三个主要股票指标每天收盘价的平均投资收益率,研究时段确定的日期为2012年11月16日至2020年11月30日,基于国内外一些专家学者的市场调查和研究,本文将针对当前中国上海、深圳和香港三地的证券市场之间相互联动性可以划分为三个阶段,并进行了处理和研究,通过综合运用宏观经济对其影响的主要因素、A+H股、机构投资和宏观政策等各种确定性手段和理论方法,来深入分析沪、深、港三地股市相互影响的具体情况,然后,它使用了多种综合的定量方法,包含协整检验,VAR模型,Granger因果检验,方差分解模型等,来分析了两个市场之间的相互关系是传递影响力大小程度与方向。本文通过实证研究结果发现,深港通实施后,香港股市对沪、深两地区股市的内部价格波动将会有一定程度的影响,并且上海和深圳两地股市受到香港股市价格波动的外部冲击影响并不大。最后,本文得出结论认为,沪港通和深港通的实施将会使内地沪、深股市和香港股市之间的联动效应进一步增加,以及香港股市价格波动的传递会直接影响沪、深两地股市价格变动。之后伴随着沪港通和深港通两个机制的不断完善和创新发展,将有机会进一步地深化沪、深、港三地的合作与协同,充分发挥我国证券市场综合经济实力优势,拓展和扩大延伸国内外投资者的证券市场投资途径,也将促进人民币在国际化中更加有序地流动和流动,并且极大地增强了对中国证券市场的影响力和吸引力。在与国际市场更深入融合的进程中,中国对外开放的水平和水平不断提高。同时,通过对股票市场之间的关联性的研究以及对影响股票市场之间的关联性的因素的实证分析,可以帮助决策者了解不同政策的实施对股票市场之间的联动性的影响,也可以帮助投资者了解股票市场之间的联动关系,避免风险或通过跨市场分配实现超额收益具有关键意义。
高德亮[7]（2021）在《基于AdamW算法的WT-GRU模型在高频股指预测中的应用》文中指出近年来,对于金融时间序列的研究一直是一个热门话题。股票指数是一个作为反映股票整体走势的重要指标,在很大程度上反映了未来一段时间内国民经济的走势,特别是随着我国国民经济水平的快速提高,股票市场在经济运行中的重要地位日益凸显。预测股票指数意义重大:首先在一定程度上可以指导我国股民的各种投资活动和行为,其次能够有效提高股票市场服务于实体经济的能力,最重要的是对于国家保障经济的稳定有序,严格控制系统性金融风险以及对证券市场进行宏观调控有一定的指导作用。因此,对我国股票指数进行预测具有一定的应用价值。随着人工智能和大数据技术进入一个全新的发展阶段,机器学习算法和神经网络技术开始广泛的应用于金融时间序列预测中。目前,已经构建了许多模型来对金融时间序列进行预测。股票指数具有非线性和高噪声等不易被捕捉的特征,常用的如ARIMA模型等对数据建模存在预测精度不高的问题,而神经网络在时间序列预测上颇受欢迎。在深度学习中,循环神经网络（RNN）对于时间序列数据具有很强的拟合能力,极大的提高了预测精度,而作为RNN模型的一种改进变体,长短期记忆神经网络（LSTM）在预测精度上取得了进一步的提高。GRU门控循环单元对于RNN中出现的一些问题进行了改进,它与LSTM的理念相似,在预测上具有同样的性能,且模型更加简单高效。小波分解是时间序列分析的有力工具,它能够将时间序列中的高频信息和低频信息提取出来,进而减小了数据的波动性特征。AdamW参数优化算法是最新提出的,它是对Adam算法的改进,性能上得到了提升。基于此,本文结合这三种算法的优势,提出了基于AdamW优化算法的WT-GRU高频股指预测模型。本文首先对AdamW算法和Adam算法的优化性能进行实证对比,数据集采用我国三大指数上证综指、深证成指和创业板指的5分钟级收盘价数据,利用GRU模型验证其参数优化能力,通过对比得出AdamW算法具有更好的收敛性和泛化能力。接下来对不同数据集探索更适合GRU模型的时间窗口长度L和神经元个数p。最后构建基于AdamW优化算法的WT-GRU股指预测模型,使用小波分解算法将股指5分钟级数据分为高频子序列和低频子序列,将子序列重构后分别使用GRU模型进行建模和预测,将预测结果进行加和作为原始序列的预测值,并与单一 GRU模型的预测结果进行对比,以RMSE、MAE、R2score作为评价指标,并对模型的预测效果进行可视化分析。通过对比发现,构建的基于AdamW优化算法的WT-GRU股指预测模型在高频股指序列上取得了更好的预测精度。与单一 GRU模型相比,在上证指数中模型的RMSE减少了 12.26%,MAE 减少了 12.4%,R2score 提升了 0.0286;深证成指中 RMSE减少了 13.02%,MAE 减少了 11.83%,R2 score 提升了 0.0498;创业板指中RMSE 减少了 3.12%,MAE 减少了 2.57%,R2score 提升了 0.0149。在一定程度上证明了此模型在股指高频预测中具有一定的实用价值,最后对此模型的进一步改进优化进行展望。
严瑜洁[8]（2021）在《新冠疫情期间各国股指波动率和风险模型效率的统计分析》文中提出
刘如玉[9]（2021）在《股票、外汇及农产品期货市场的多重分形分析》文中研究指明金融市场的组成结构十分复杂,不同的市场具有不同的交易属性和波动特征.作为金融市场的重要组成部分,股票市场依靠其灵敏的流通性集中资本,为企业提供资金信息;外汇市场能够在实现货币交换、促进世界各国之间的贸易往来的同时,还能为市场参与者提供规避风险的场所;农产品期货市场的繁荣程度与国民经济休戚相关,市场的避险功能很大程度上优化了农业生产的种植结构.因此,研究上述三个市场内部的波动特征、风险大小以及不同市场间的相互作用至关重要.本文首先探讨了中国股票市场与外汇市场的价格时间序列的多重分形特征以及市场间的相关关系.基于多重分形去趋势交互相关分析法（MF-DCCA）,以上证综指和深证成指以及外汇市场中人民币兑美元汇率（CNY/USD）等三个指标为依据,研究了中国股票市场与外汇市场之间的交互相关性的多重分形特征,并通过打乱和替代原始时间序列探讨多重分形性的成因.结果表明,中国股票市场与外汇市场之间的交互相关关系存在显着的多重分形特征,并指明多重分形性主要由时间序列的胖尾分布造成.其次,使用MV-MFDFA和MV-MFDCCA等方法研究了中美两国农产品期货市场的波动特征和相互关系.选取大豆、玉米和棉花三种农产品期货作为研究对象,探讨了2018年中美贸易摩擦和2019年全球新冠肺炎疫情对中美两国农产品期货市场的影响.实证研究发现,中美两国期货市场内的所有品种之间以及两个农产品市场整体之间存在多重分形交互关系;中国农产品期货系统的多重分形性强于美国期货系统的多重分形性;棉花对中美两国农产品期货间的多重分形交互相关关系贡献较大;在中美农产品期货市场的关系中,中国市场依旧处于从属地位;贸易摩擦对美国农产品期货市场的影响更大,而新冠肺炎疫情对中国农产品期货系统的影响更大.
王家联[10]（2020）在《我国股票市场差绩股板块的“羊群效应”研究》文中认为我国证券市场经历了近30年的发展,逐步建立健全多层次交易市场,交易环境日趋成熟。由于我国股市中个人投资者占比较高,因此跟风投机、追涨杀跌、消息驱动的投资现象一直存在,而散户的跟风行为往往会造成羊群效应,并伴随股价的异常波动。羊群行为是一种普遍性的群体现象,在证券市场表现为投资者的跟风买卖行为。很多学者对不同国家的证券市场研究表明,发达国家的股市羊群效应较弱或者不存在,而中国股票市场的羊群效应较为明显,主要是因为散户缺少专业的投资知识,容易受消息影响,面对股票市场缺乏理性,容易产生“追涨杀跌”的跟风投资行为。本文研究的差业绩股票（简称“差绩股”）,其财务状况通常出现了连续亏损或者被特别处理,有较高的退市风险,但是差绩股又具有重组、借壳、摘帽等高收益预期,因此一直是投资者关注的热点领域。由于差绩股的羊群效应更加强烈,对股价的波动影响更大,使投资者面临非常高的风险,但鲜有学者对差绩股的羊群效应和股价波动进行研究,因此本文的研究很有必要。为了研究清楚差绩股在不同市场、不同行情中是否存在羊群效应,羊群效应强度如何,以及羊群效应对股价波动的影响,本文在学习相关理论的基础上建立CSAD-GARCH模型,对差绩股在不同情况下的羊群效应进行了实证检验。结果表明上证、深证市场的差绩股都存在羊群效应;在牛市和熊市期间,差绩股都出现了羊群行为,上证市场差绩股更倾向于“杀跌”,而深证市场差绩股更倾向于“追涨”;ST差绩股的羊群效应最强,非ST差绩股次之,上证180成分股的羊群效应最弱,说明风险越高的股票羊群效应越强。为了预防羊群效应带来的投资风险,我们通过格兰杰检验发现差绩股的羊群效应对股价波动有显着影响并有一定滞后性,在羊群效应发生约10天后开始对股价产生明显影响,30天后影响开始减弱。总的来说,本文对差绩股羊群效应的研究价值在于为我国证券市场研究开辟了一个细分领域,通过对差绩股羊群效应的成因分析以及羊群效应和股价波动的因果关系分析,为投资者和监管层提供了相关防范风险的合理建议。
二、SARS疫情对深证成指影响的时间序列模型（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、SARS疫情对深证成指影响的时间序列模型（论文提纲范文）
（1）新冠“黑天鹅”下中美股票市场波动趋势探讨——基于GARCH模型的实证研究（论文提纲范文）
| 一、引言 |
| 二、理论基础 |
| （一）金融波动度量 |
| （二）ARCH和GARCH模型介绍 |
| 1. ARCH模型 |
| 2. GARCH模型 |
| 三、新冠疫情下中美股票市场波动特征建模 |
| （一）新冠疫情下的中美股市走势 |
| （二）股指收益率的描述性分析 |
| （三）GARCH模型实证建模 |
| （四）新冠疫情下中美股市波动的分期对比 |
| 四、进一步探讨：新冠疫情下中美股市的因果关系检验 |
| 五、全文结论 |
（2）新冠疫情冲击下投资者信心与宏观经济政策作用效果（论文提纲范文）
| 一、引言 |
| 二、文献综述 |
| 三、模型构建与研究假设 |
| 四、研究设计 |
| (一)模型设定——GARCH-X模型 |
| (二)疫情恐慌阶段界定及变量定义 |
| 五、实证分析 |
| (一)样本选择和数据来源 |
| (二)描述性统计 |
| (三)样本数据的平稳性及ARCH效应检验 |
| (四)回归结果分析 |
| 1. 新冠疫情对境内外投资者信心冲击的实证检验 |
| 2. 新冠疫情对境内投资者信心冲击的异质性检验 |
| 3. 新冠疫情对境内投资者信心冲击的非对称性检验 |
| 4. 新冠疫情冲击的阶段性特征检验 |
| 5. 新冠疫情冲击下宏观经济政策效果检验 |
| (1)货币政策的作用效果 |
| (2)财政政策的作用效果 |
| 6. 宏观经济政策效果阶段性特征检验 |
| (1)货币政策效果的阶段性差异 |
| (2)财政政策效果的阶段性差异 |
| 六、结论与政策建议 |
（3）中国大陆股市与国际主要股市的相依性、风险溢出与影响因素研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 问题提出与研究内容 |
| 1.2.1 问题提出 |
| 1.2.2 研究内容 |
| 1.3 研究框架与研究方法 |
| 1.3.1 研究框架 |
| 1.3.2 研究方法 |
| 1.4 概念界定 |
| 1.4.1 相依性 |
| 1.4.2 风险溢出 |
| 1.4.3 概念间的关联 |
| 1.5 研究的创新点 |
| 2 文献综述 |
| 2.1 股票市场相依性研究 |
| 2.1.1 发达国家股市间的相依性 |
| 2.1.2 发达国家股市与新兴经济体股市间的相依性 |
| 2.1.3 中国股市的相依性 |
| 2.1.4 中外股市间的相依性 |
| 2.1.5 股市的跨资产类别相依性 |
| 2.2 金融市场相依性的影响因素 |
| 2.2.1 经济政策不确定性 |
| 2.2.2 其他影响因素 |
| 2.3 金融市场风险溢出研究 |
| 2.3.1 不同国家(地区)同一金融市场 |
| 2.3.2 同一国家(地区)不同金融市场 |
| 2.4 文献述评 |
| 3 理论分析与研究设计 |
| 3.1 金融市场相依性与风险溢出的理论基础 |
| 3.1.1 资产定价理论 |
| 3.1.2 Copula理论 |
| 3.2 金融市场相依性与风险溢出的成因 |
| 3.3 金融市场相依性与风险溢出的影响机理 |
| 3.4 研究设计 |
| 3.4.1 中国大陆股市与国际主要股市的边缘分布模型 |
| 3.4.2 中国大陆股市与国际主要股市的静态与时变相依结构 |
| 3.4.3 中国大陆股市与国际主要股市相依性的影响因素 |
| 3.4.4 中国大陆股市与国际主要股市的高维相依结构、风险测度与溢出 |
| 3.5 本章小结 |
| 4 中国大陆股市与国际主要股市的边缘分布模型 |
| 4.1 边缘分布模型构建与择优标准 |
| 4.1.1 参数ARMA-GARCH族模型 |
| 4.1.2 参数ARMA-GARCH族-EVT模型 |
| 4.1.3 非参数ARMA-GARCH族-EVT模型 |
| 4.1.4 非参数核密度函数 |
| 4.1.5 模型择优标准 |
| 4.2 数据选取与基本分析 |
| 4.2.1 数据的选取及其说明 |
| 4.2.2 数据的基本统计分析和相关检验 |
| 4.3 边缘分布模型的估计与择优 |
| 4.3.1 基于参数ARMA-GARCH族模型的边缘分布估计 |
| 4.3.2 基于参数ARMA-GARCH族-EVT模型的边缘分布估计 |
| 4.3.3 基于非参数ARMA-GARCH族-EVT模型的边缘分布估计 |
| 4.3.4 基于非参数核密度函数的边缘分布估计 |
| 4.3.5 最优边缘分布模型 |
| 4.4 本章小结 |
| 5 中国大陆股市与国际主要股市的静态与时变相依结构 |
| 5.1 数据与方法 |
| 5.1.1 数据选取 |
| 5.1.2 实证方法 |
| 5.2 实证分析 |
| 5.2.1 中国大陆股市与国际主要股市的静态相依结构 |
| 5.2.2 中国大陆股市与国际主要股市的时变相依结构 |
| 5.2.3 基于时变Copula函数的结构变点诊断 |
| 5.3 本章小结 |
| 6 中国大陆股市与国际主要股市相依性的影响因素 |
| 6.1 中国大陆股市与国际主要股市相依性的影响因素及其机理分析 |
| 6.1.1 经济政策不确定性 |
| 6.1.2 共同冲击 |
| 6.1.3 宏观经济状况 |
| 6.1.4 股市特性 |
| 6.2 数据与变量选取 |
| 6.3 实证分析 |
| 6.3.1 面板单位根检验 |
| 6.3.2 面板数据模型的构建与估计 |
| 6.3.3 稳健性讨论 |
| 6.4 全球股市与数字货币市场的跨资产类别相依性与影响因素 |
| 6.4.1 数据与变量选取 |
| 6.4.2 全球股市与数字货币市场的跨资产类别相依性 |
| 6.4.3 经济政策不确定性对全球股市与数字货币市场相依性的影响 |
| 6.5 本章小结 |
| 7 中国大陆股市与国际主要股市的高维相依结构、风险测度与溢出 |
| 7.1 数据与方法 |
| 7.1.1 数据来源与统计描述 |
| 7.1.2 实证方法 |
| 7.2 实证分析 |
| 7.2.1 样本间的Kendall’s tau秩相关系数 |
| 7.2.2 中国大陆股市与国际主要股市的高维相依结构 |
| 7.2.3 中国大陆股市与国际主要股市的风险测度 |
| 7.2.4 中国大陆股市与国际主要股市的风险溢出 |
| 7.3 稳健性检验 |
| 7.4 本章小结 |
| 8 总论 |
| 8.1 研究结论 |
| 8.2 研究启示 |
| 8.3 不足与展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
（4）基于时变SJC-Copula函数的厚尾事件对中美股市动态相依性的冲击研究（论文提纲范文）
| 一、引言 |
| 二、文献综述 |
| 三、研究方法及数据 |
| （一）边缘分布模型估计 |
| （二）Copula理论 |
| （三）数据选取及统计特征 |
| 四、实证研究 |
| （一）中美股市整体相关性协整检验 |
| （二）中美股市尾部相依性研究 |
| 1. 边缘分布参数估计及结果分析 |
| 2. SJC-Copula模型参数估计及结果分析 |
| 五、国内疫苗板块与美股尾部相依性研究 |
| （一）数据预处理及协整 |
| （二）边缘分布参数估计及结果分析 |
| （三）SJC-Copula参数估计及结果分析 |
| 六、结论与启示 |
| （一）结论 |
| （二）启示 |
（5）新冠疫情对中国股票市场的影响——基于事件研究法的研究（论文提纲范文）
| 一、引言 |
| 二、文献综述 |
| 三、研究设计 |
| （一）研究方法 |
| 1. 确定事件日、事件窗口期和估计期 |
| 2. 选择估算正常收益率的模型 |
| 3. 计算事件期的异常收益率 |
| 4. 冲击时间的实证方法 |
| （二）样本选择 |
| 四、实证研究结果及分析 |
| （一）对市场整体的影响 |
| （二）对主要行业的影响 |
| （三）非典、H7N9与新冠对股市影响的对比 |
| 1. 冲击幅度 |
| 2. 冲击时间 |
| （四）稳健性检验 |
| 1. 改变正常收益率估算模型 |
| 2. 替换被解释变量 |
| 五、进一步分析 |
| （一）投资者情绪 |
| （二）传导机制 |
| 1. 研究方法 |
| 2. VAR分析 |
| 六、结论与启示 |
（6）沪港通和深港通开通前后沪深港股市联动性的研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 第一节 背景及意义 |
| 一、研究背景 |
| 二、研究意义 |
| 第二节 国内外文献综述 |
| 一、资本市场对外开放对股市产生影响的相关研究 |
| 二、沪、深港通的相关研究 |
| 三、研究现状评价 |
| 第三节 研究内容与研究方法 |
| 一、研究方法和技术路线 |
| 二、研究内容 |
| 第四节 主要创新点 |
| 第二章 相关理论基础 |
| 第一节 联动性的定义 |
| 第二节 股市联动的理论假说 |
| 一、经济基础理论 |
| 二、有效市场理论 |
| 三、行为金融学理论 |
| 四、市场传染理论 |
| 第三章 沪、深港通机制与股市联动性的影响因素 |
| 第一节 互联互通机制 |
| 一、沪港通 |
| 二、深港通 |
| 第二节 内地和香港股市比较 |
| 一、发展历史 |
| 二、现状 |
| 三、交易机制 |
| 四、信息披露 |
| 第三节 沪深港股市联动性的影响因素 |
| 一、经济因素 |
| 二、A+H股 |
| 三、机构投资者因素 |
| 四、政策驱动因素 |
| 第四章 股市联动效应的计量研究模型及计量方法 |
| 第一节 平稳与单位根检验法 |
| 一、DF检验 |
| 二、ADF检验 |
| 第二节 VAR模型 |
| 第三节 协整检验 |
| 第四节 Granger因果检验 |
| 第五节 脉冲响应函数 |
| 第六节 方差分解 |
| 第五章 沪深港股市联动性的实证分析 |
| 第一节 数据选取和处理 |
| 一、数据选取 |
| 二、数据处理 |
| 第二节 联动性相关分析 |
| 一、描述性统计分析 |
| 二、ADF单位根检验 |
| 三、协整检验 |
| 四、构建VAR模型 |
| 五、Granger因果检验 |
| 六、脉冲响应 |
| 七、方差分解 |
| 第三节 实证小结 |
| 第六章 结论与建议 |
| 第一节 结论 |
| 第二节 建议 |
| 一、政策制定者 |
| 二、监管者 |
| 三、投资者 |
| 参考文献 |
| 致谢 |
（7）基于AdamW算法的WT-GRU模型在高频股指预测中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.2.1 理论意义 |
| 1.2.2 实践意义 |
| 1.3 国内外相关研究现状 |
| 1.3.1 早期研究方法 |
| 1.3.2 神经网络研究方法 |
| 1.3.3 小波分解研究方法 |
| 1.4 研究框架 |
| 1.5 创新和不足 |
| 第二章 相关理论介绍 |
| 2.1 小波分解 |
| 2.2 GRU门控循环单元 |
| 2.2.1 神经网络基础理论 |
| 2.2.2 循环神经网络 |
| 2.2.3 长短期记忆神经网络 |
| 2.2.4 门控循环单元 |
| 2.2.5 Dropout层 |
| 2.3 参数优化算法 |
| 2.3.1 Adam算法 |
| 2.3.2 AdamW算法 |
| 第三章 基于AdamW算法的WT-GRU股指预测模型 |
| 3.1 数据集选取及预处理 |
| 3.1.1 数据集选取与来源 |
| 3.1.2 数据预处理 |
| 3.2 模型搭建及评价指标 |
| 3.2.1 模型搭建及预测方法 |
| 3.2.2 评价指标 |
| 3.3 实证研究 |
| 3.3.1 GRU模型优化算法对比 |
| 3.3.2 基于AdamW算法的WT-GRU股指预测模型 |
| 3.3.3 模型对比 |
| 第四章 总结与展望 |
| 4.1 总结 |
| 4.2 展望 |
| 参考文献 |
| 致谢 |
| 附录A |
| A.1 各指数测试集数据趋势图 |
| A.2 各指数小波分解与重构数据图 |
| A.3 各指数低频子序列预测图 |
| A.4 各指数单一GRU模型预测趋势图 |
| 学位论文评阅及答辩情况表 |
（9）股票、外汇及农产品期货市场的多重分形分析（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 导论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 分形分析方法的发展现状 |
| 1.2.2 基于分形分析和统计方法的金融市场研究现状 |
| 1.3 本文研究内容 |
| 1.4 本文创新之处 |
| 第二章 多重分形分析方法概述 |
| 2.1 MF-DFA方法 |
| 2.2 MF-DCCA方法 |
| 2.3 MV-MFDFA方法 |
| 2.4 MV-MFDCCA方法 |
| 第三章 中国股票市场与外汇市场的分形分析 |
| 3.1 数据描述与统计分析 |
| 3.2 多重分形分析 |
| 3.3 多重分形性来源 |
| 3.4 本章小结 |
| 第四章 贸易摩擦和新冠疫情影响下的中美农产品期货市场的波动性和相关性研究 |
| 4.1 数据处理与统计检验 |
| 4.1.1 数据选取与处理 |
| 4.1.2 基本统计特征与交互相关性检验 |
| 4.2 多重分形实证分析 |
| 4.2.1 自相关性的分形分析 |
| 4.2.2 交互相关性的分形分析 |
| 4.2.3 贸易摩擦和新冠疫情对期货市场的影响分析 |
| 4.3 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文结论 |
| 5.2 本文不足与未来展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文 |
| 后记 |
（10）我国股票市场差绩股板块的“羊群效应”研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 选题背景及意义 |
| 1.1.1 选题背景 |
| 1.1.2 选题意义 |
| 1.2 本文研究的主要内容 |
| 1.3 本文研究的重点创新点和不足 |
| 2 文献综述 |
| 2.1 羊群效应概念 |
| 2.2 羊群效应理论模型 |
| 2.2.1 基于信息瀑布理论的羊群效应 |
| 2.2.2 基于补偿性理论的羊群效应 |
| 2.2.3 基于声誉理论的羊群效应 |
| 2.2.4 基于报酬理论的羊群效应 |
| 2.3 羊群效应的研究方向 |
| 2.3.1 研究整个市场的羊群效应 |
| 2.3.2 研究某个板块的羊群效应 |
| 2.3.3 研究特定市场参与者的羊群效应 |
| 2.3.4 研究羊群效应的成因 |
| 2.3.5 研究羊群效应的影响 |
| 2.4 羊群效应实证模型 |
| 2.4.1 LSV模型 |
| 2.4.2 CSSD模型 |
| 2.4.3 CSAD模型 |
| 2.5 文献述评 |
| 3 我国差绩股的市场现实表现以及原因分析 |
| 3.1 差绩股概述 |
| 3.1.1 差绩股定义 |
| 3.1.2 差绩股分类和统计 |
| 3.2 差绩股的市场特征 |
| 3.2.1 投资者结构 |
| 3.2.2 市值规模 |
| 3.2.3 涨跌幅机制 |
| 3.2.4 投资风险 |
| 3.2.5 投资收益 |
| 3.3 差绩股市场表现的原因分析 |
| 3.3.1 交易因素 |
| 3.3.2 投机因素 |
| 3.3.3 财务状况因素 |
| 3.3.4 股东因素 |
| 3.4 差绩股羊群效应和股价波动 |
| 4 差绩股羊群效应的检验 |
| 4.1 实证模型选择 |
| 4.2 变量设计 |
| 4.3 数据来源 |
| 4.4 CSAD-GARCH模型实证分析 |
| 4.4.1 相关检验 |
| 4.4.2 沪市与深市差绩股羊群效应分析 |
| 4.4.3 市场波动与差绩股羊群效应 |
| 4.4.4 差绩股与蓝筹股羊群效应比较 |
| 4.4.5 ST差绩股和非ST差绩股的羊群效应比较 |
| 4.4.6 借壳政策对ST差绩股的羊群效应影响 |
| 4.5 CSAD-GARCH模型稳健性检验 |
| 4.5.1 不同市场情形下的检验 |
| 4.5.2 不同市值的检验 |
| 4.5.3 金融危机及后金融危机时期的检验 |
| 4.6 其他板块羊群效应对差绩股的影响分析 |
| 4.6.1 蓝筹股羊群效应对差绩股的影响 |
| 4.6.2 小市值板块羊群效应对差绩股的影响 |
| 4.7 差绩股羊群效应成因分析 |
| 4.8 本章小结 |
| 5 差绩股羊群效应与股价波动因果关系 |
| 5.1 研究假设 |
| 5.2 数据来源 |
| 5.3 模型选择 |
| 5.3.1 股价波动率模型 |
| 5.3.2 格兰杰因果检验模型 |
| 5.4 实证检验过程 |
| 6 结论与政策建议 |
| 6.1 研究结论 |
| 6.2 政策建议 |
| 6.2.1 对投资者的建议 |
| 6.2.2 对监管层的建议 |
| 参考文献 |
四、SARS疫情对深证成指影响的时间序列模型（论文参考文献）
- [1]新冠“黑天鹅”下中美股票市场波动趋势探讨——基于GARCH模型的实证研究[J]. 吴凌睿,江紫凡,王芬. 湖北经济学院学报(人文社会科学版), 2022(02)
- [2]新冠疫情冲击下投资者信心与宏观经济政策作用效果[J]. 章晟,景辛辛. 中南财经政法大学学报, 2021(06)
- [3]中国大陆股市与国际主要股市的相依性、风险溢出与影响因素研究[D]. 钱玲玲. 浙江大学, 2021(02)
- [4]基于时变SJC-Copula函数的厚尾事件对中美股市动态相依性的冲击研究[J]. 刘剑锋,沈继胜. 浙江金融, 2021(08)
- [5]新冠疫情对中国股票市场的影响——基于事件研究法的研究[J]. 徐宏,蒲红霞. 金融论坛, 2021(07)
- [6]沪港通和深港通开通前后沪深港股市联动性的研究[D]. 赵晗羽. 云南财经大学, 2021(09)
- [7]基于AdamW算法的WT-GRU模型在高频股指预测中的应用[D]. 高德亮. 山东大学, 2021
- [8]新冠疫情期间各国股指波动率和风险模型效率的统计分析[D]. 严瑜洁. 南京师范大学, 2021
- [9]股票、外汇及农产品期货市场的多重分形分析[D]. 刘如玉. 南京财经大学, 2021
- [10]我国股票市场差绩股板块的“羊群效应”研究[D]. 王家联. 浙江大学, 2020(02)