沪深300指数的波动率分析与预测

股指期货与股指现货之间价格发现与波动溢出效应研究--基于沪深300股指期货高频数据的实证分析杨东晓【摘要】Stock index future is one of the most important financial derivatives in capital market,so it becomes the center of attention among many researchers in this field.In order to study its ability to resolve new information and the risk spill-over effect between stock index and the stock market, using 5-min high frequency data,we test for the co-integration relationship between HS300 stock index future and HS300 stock index,and then we use vector error correction model to test for the Lead-lag relationship between them.The results show that stock index futures have stronger price discover ability.In addition,by using BEKK-GARCH model,it is proved that there are significant volatility spill-over effect between these two markets.%股指期货不仅是当今资本市场上最受关注的金融产品，也是最有活力的风险管理工具之一。

摘要：金融市场的股价波动是一种极其复杂的非线性系统。

文章首先选取上证A 股中有代表性的15只成分股，然后使用RF 和CA-SFS 对19个指标进行特征提取，最后使用LSTM 模型对股票价格涨跌进行预测。

每只股票，以5分钟一组，运用20组的数据来预测未来1组的股票的涨跌，同时也滚动预测了未来48组的股票涨跌趋势。

结果证明，文章所提模型兼顾分类效率和特征维数，相比浅层机器学习模型预测准确率提高了33.17%，相比结合PCA 、LASSO 等降维方法的LSTM 模型准确率提高了11.45%，所提模型可以有效地预测股票价格趋势，有着较高的应用价值。

关键词：长短时间记忆神经网络；随机森林；趋势预测；序列前向选择；成分股中图分类号：F832；TP181文献标识码：A 文章编号：1002-6487（2021）01-0157-04基于特征选择的RF-LSTM 模型成分股价格趋势预测刘玉敏，李洋，赵哲耘（郑州大学商学院，郑州450000）基金项目：国家自然科学基金重点项目（U1904211）；国家自然科学基金资助项目（71672182；71672209）作者简介：刘玉敏（1956—），女，河南濮阳人，教授，博士生导师，研究方向:统计预测、统计质量控制。

李洋（1996—），男，河南南阳人，硕士研究生，研究方向：统计预测与风险预警。

（通讯作者）赵哲耘（1993—），男，河南遂平人，博士研究生，研究方向：质量智能监控、金融数据挖掘。

引言随着我国经济的发展，越来越多人开始进行资产投资，而参与率最高的就是股票投资。

然而，股票市场的波动较大，暴涨暴跌的情况时有发生，对整个金融市场产生了不利的影响，如果可以提前对股票价格进行预测，然后分析价格涨跌的原因，对于投资者甚至整个金融市场都有着重要的意义。

因此大量学者展开了股票价格预测研究。

最初的股票预测一般使用时间序列分析进行预测，例如移动平均自回归模型（ARIMA ）、自回归条件异方差模型（ARCH ）等，近些年在预测方面有所改进，Lin （2018）[1]利用GARCH 模型对股票波动率进行建模，将预测重点放在股票波动率方面。

沪深300股指期权模拟定价研究【摘要】期权类产品已经成为国际金融市场常用的金融投资和避险工具。

其中，股指期权在品种、交易量、交易金额等方面都高居期权类产品首位，它的产生极大地促进了全球金融衍生品市场的发展及规范。

国外主流市场经验表明，推出股指期货后一年左右，相同标的物的股指期权就会相继推出。

我国推出沪深300股指期货已两年有余，适时推出股指期权是我国金融衍生品市场发展的必然之举。

本文选取沪深300指数为标的，对股指期权的价格进行了模拟定价研究。

【关键词】沪深300指数；模拟定价；garch模型2010年4月，我国推出了首只金融衍生产品——沪深300股指期货，我国金融衍生品市场的正式起步。

国外主流市场经验表明，推出股指期货后一年左右，相同标的物的股指期权就会相继推出。

我国推出沪深300股指期货已三年有余，适时推出股指期权是我国金融衍生品市场发展的必然之举。

1.股指期权的定价公式股票价格过程服从一维几何布朗运动已成为期权定价的基本假设。

股票价格指数是由多种股票根据统计方法计算出来的。

对股票价格指数的运动过程可以从以下两种思路考虑：（1）每只股票都服从几何布朗运动，其加权和可以近似认为服从多维几何布朗运动；（2）随着股票市场有效性的提高，股票价格指数与股票相同，本身就可以作为一种金融产品，服从一维几何布朗运动。

本文从第二种思路入手，采用支付连续红利的b-s公式，即：其中，式中，s0为股票现价，k为期权敲定价格，δ为股息收益率，γ为无风险利率，t为到期时间。

2.沪深300股指期权的参数估计2.1 沪深300指数波动率估计波动率是b-s公式的参数中唯一无法直接获得的变量，期权定价的准确性依赖于对波动率估计的准确程度。

本文根据沪深300指数的历史数据对其波动率进行计算，运用garch模型估计预期波动率。

标准的garch（1，1）模型为：（1）（2）式中：是解释变量向量，是系数向量。

式（1）称为均值方程，它是一个带有扰动项的外生变量的函数。

基于VaR的中国股指期货风险实证研究-相关论文选题选题1：基于VaR的中国股指期货风险实证研究选题思路：2010年4月16日,我国推出了沪深300股指期货,在其推出以后,沪深300股指期货交易比较活跃,运行也较为平稳,但是在风险的度量及预测方面的研究略显不足。

VaR作为一种度量风险的指标,其应用较为广泛,国内外专家学者对其也有较多的研究。

为了测度中国股指期货VaR风险,选择中国股指期货当月连续IFO日对数收益率数据作为研究对象,首先对收益率序列进行了基本的统计分析,结果表明,中国股指期货对数收益率序列具有尖峰厚尾的特征,并具有ARCH效应,因此认为可以对此时间序列数据运用GARCH族模型来克服其异方差性。

介绍并选用了GARCH族模型中的GARCH-N,GARCH-t,GARCH-GED,TARCH与EGARCH模型度量了中国股指期货的风险,即其VaR数值,并根据各模型系数讨论了中国股指期货的杠杆效应等风险特征。

同时,文章还引入了神经网络中较为新颖的混合密度网络模型(MDN模型)对中国股指期货的风险VaR进行考察。

作为神经网络的一支,它特有的学习特性可以很好地拟合时间序列的事变特征,从而具有良好的预测能力。

最后将GARCH族模型与混合密度网络模型得到的VaR值进行了准确性检验——Kupiec失败频率检验,发现GARCH-GED、EGARCH与混合密度网络模型可以较为准确地预测中国股指期货的风险VaR值。

选题2：中国大豆价格波动性研究选题思路：文章综合分析中国大豆供、需现状,从期货价格理论、供给、需求三个角度对影响中国大豆价格的因素进行分类,并建立相应的指标体系,将影响因素归为国产大豆供给量、进口大豆量、国际大豆产量、国内大豆消费量、国际大豆消费量、农民人均纯收入中的农业收入、玉米现货价格、豆油现货价格、美元汇率指数、大豆现货价格、大豆期货价格滞后一期、美国芝加哥大豆期货价格。

然后利用逐步回归方法实证分析各类因素对中国大豆价格的影响,研究结果表明,相对于其它类因素,中国大豆期货价格更易受到大豆国内供给和需求因素、人均农业纯收入、豆油现货价格、美国芝加哥大豆期货价格以及滞后一期价格的影响,与这些因素之间存在显著的回归效应。

基于BP神经网络的股指收益率预测研究——以高频数据为样本第4期(总第115期)2009年4月统计教育StatisticalThinktankNo.4(SeriesNo.115)Apr2009基于BP神经网络的股指收益率预测研究——以高频数据为样本叶银龙黄晓莉刘干摘要:高频金融数据和金融资产收益率是金融计量学的一个全新的研究领域.目前,国内学者利用年,月,日等低频数据对股票市场的收益率进行了很多的研究,但是以日内高频数据为基础的研究还不多见.如何较准确地预测基于高频数据的股票收益率是进一步深入研究金融市场的基础.论文采用数据挖掘中的BP神经网络对沪深300指数高频数据中的日内收益率进行建模与预测.结果表明:神经网络模型对股票高频数据的日内收益率具有很强的预测能力'关键词:高频金融数据;收益率;神经网络;预测ForecastofStockMarketReturnsBasedonBPNeuralNetwork——CaseoftheHigh-FrequencyDataYeYinlong,HuangXiaoli,LiuGanAbstract:Thestudyofhigh-~equencyfinancialdataandstockmarketreturnsisabrandnewfie ldinfinancialeconometrics,however,currentstudiesonfinancialreturnsusuallyuselow-frequencydatar atherthanhigh-frequencydata.Howtobettermeasurestockmarketreturnsbasedonhigh-frequencydataisthebasisoffu rtherstudyinthefinancialmarket.ThispaperattemptstobuildupaBPneuralnetbyusinghigh-frequencydatao ftheShanghaiandShenzhen300Indextoforecastthereturns.Theresultsshowthatneuralnetiscapableofmeasu ringthereturnsofstockmarketbasedonhigh—frequencydata.KeyWords:highfrequencyfinancialdata;returns;neuralnetwork;forecast1引言股票市场的价格走势是极为复杂且难以预测的,这是因为市场参与者难以准确把握宏观经济形势,金融政策,公司财务状况,国际环境以及投资者心理承受能力等因素的变化及其对市场的影响方式和作用.于是,如何较为准确地预测股票收益率引起许多研究者和市场分析人员的极大兴趣,他们都试图建立关于股票收益率适当的计量经济模型.以往很多文献都将股票收益率作为线性时间序列进行建模与预测,具体模型包括自回归滑动平均(ARMA)模型,季节模型及带时间序列误差的回归模型,它们试图用简单模型来刻画股票收益率与时间所拥有的信息之间的线性关系.这些模型的预测有一定的精度,但是模型仅仅局限于线性问题分析,并不能很好地解决股票市场中的非线性问题.随着研究的深入,一些非线性模型被很好地运用到股票市场时间序列上.此外,不少研究表明,门限自回归模型(TAR)及其扩展模型在预测股票收益率时也有较强的能力.近年来,许多学者在尝试着用核回归,局部最小二乘估计及神经网络等非参数方法对股票收益率进行预测.【q其作者简介:叶银龙,1983年生,浙江龙泉人,杭州电子科技大学财经学院统计学硕士研究生,研究方向:金融数据挖掘,神经网络;黄晓莉,1962年生,浙江台州人,杭州电子科技大学财经学院副教授,研究方向:数理统计与经济分析;刘干,1967年生,安徽安庆人,杭州电子科技大学财经学院副教授,研究方向:计量经济与统计建模.第4期叶银龙等:基于BP神经网络的股指收益率预测研究39中,神经网络是目前研究中较为常用的方法.股票市场本质上属于典型的非线性动力学系统,而神经网络模型可以很好地解决这一类非线性问题.与一般的统计模型相比较,神经网络可以不考虑传统统计模型中较多的研究条件与假设,可利用学习训练或设计网络结构的方式处理非线性问题.目前,神经网络模型被广泛地运用到关于股票市场的研究中.AtiyaAF,ChenJF利用股票市场中常用的技术指标或公司金融比率作为变量,通过神经网络学习并搜寻技术指标中可能存在的套利关系,以解决投资者在使用技术指针上的复杂性及消除可能的冲突.嘲嘞aa—soumi采用不同的预测期间,比较方式加以分析神经网络与ARMA模型在股市上价格的估计或应用的优劣.忸MeissnerG在分别采用股价原始信息及技术指标所建立的神经网络模型进行股价预测时,发现原始信息比技术指标更加有效.[51同样地,Chenoweth在采用不同周期的技术指标时,发现以周为单位且训练样本越多时,此时神经网络预测能力最佳,而变量越多并不见得能提高神经网络的预测能力.网众多研究表明,神经网络在股票市场的运用是相当广泛有效的,而且所建立模型的预测能力是非常不错的.不过, 他们的缺陷在于其研究基本上都是针对股票市场的低频数据进行建模,而关于日内高频数据建模的文献非常少.高频数据是指以小时,分钟或秒为抽样频率的日内数据,如果数据频率越高,获得的股票市场信息就越多.而且,股票日内收益率预测得越精确,股票市场波动率将会得到更有效的度量,从而进一步有利于风险管理和控制.因此,基于高频数据的股票日内收益率研究越来越受到人们的关注.基于以往研究的不足,本文以股票市场高频数据为对象,利用BP神经网络对日内收益率进行建模与预测,以寻求精度更高的预测模型,从而可以更好地把握股票市场的波动趋势及有助于市场参与者对证券市场进行风险控制和管理.2BP神经网络模型原理2.1BP模型概述BP(Back—Propagation)神经网络是一类前馈型神经网络,它由输入层,中间层和输出层组成,中间层也就是隐含层,可以是一个或多个.每层包含若干互不连接的神经元节点,相邻层之间各神经元通过不断变化的连接强度或权值进行全连接.图1所示为BP神经网络拓扑结构.其中:输入层有凡个节点,对应输入;输出层有m个节点,对应输出y_;隐含层有q个节点,对应的输出Zl;输入层与隐含层之间的权值,隐含层与输出层之间的权值为茸.Xl*xH"qm图一1BP神经网络基本结构BP网络中隐含层激活函数通常采用s型的对数或正切函数和线性函数.由于激活函数是连续可微的,不仅使得网络的容错性较好,而且可以严格利用剃度法进行推算,权值修正的解析式十分明确[71. 2.2BP学习算法BP学习算法是一种有监督的学习过程,它是根据给定的(输入,输出)样本数据来进行学习,并通过调整网络连接权值来体现学习的效果.就整个神经网络来说,一次学习过程由输人数据的正向传播和误差的反向传播两个子过程构成.设有Ⅳ个学习样本,),Ii}= 1,2,…,Ⅳ,对样本(,Yk'),在正向传播过程中,样本k的输入向量X.,强,…,从输入层的rt个节点输入,经隐含层逐层处理,在输出层的m个节点的输出端得到样本k的网络计算输出向量,,m).比较和样本k的期望输出向量Y:,五,…,),若Ⅳ个学习样本的计算输出都达到期望的结果,则学习过程结束;否则,进入误差反向传播过程,把与】,:的误差由网络输出层向输入层反向传播,在反向传播过程中,修改各层神经元的连接权值阐.BP反向传播算法的具体步骤可归纳如下:(1)输入Ⅳ个学习样本(孔,l,:),k=l,2,…,J7,r.(2)建立BP网络结构.确定网络层数L≥3和各层节点数,由学习样本输人向量的长度rg确定网络输入层节点数为rt;由学习样本输出向量y:的长度m 确定网络输出节点数为m;第z层的节点数为.定义各层间连接权矩阵,第层连接第/+1层的连接权矩阵为:[翱nO×n㈣(f=l,2,…,L一1),初始化各连接权矩阵的元素值.(3)输入允许误差和学习率,初始化迭代计算次数t=l,学习样本序号k=l.叶银龙等:基于BP神经网络的股指收益率预测研究2009生(4)取第k个学习样本,y:),Xk=(x越,…,,y,珐,…,).(5)由孔进行正向传播计算,计算输入层各节点的输出为(q=l,2,…,n)(1)逐层计算各层的各节点输人和输出为n(/-1)职="0q-"(2)=19亏,『)(f=2,…,=1,2,…,(3)(6)计算输出层(第L层)的各输出节点误差为=(4)=1(Y~-yyk)q=l,2,…,(5)(7)若对Ⅳ个学习样本的任一样本k有≤=1,2,…,m),则学习过程结束;否则,进行误差反向传播修改各连接权矩阵.(8)误差反向传播计算.修改第L一1层隐含层至输出层(第层)的连接权矩阵为J_一0孟—f(Jj2(6)Aw(L~0)=叼"0(7)(￡+1)=(1)+△)(8)(j=l,2,…,m;=1,2,…,rt(L-))反向逐层修改连接各隐含层的连接权矩阵:n)∑6c(9)q1△c)=一D(1o)O+1)="(+△"O)(11)(f=一1,…,2,16=1,2,…,n田;i=1,2,…,【f_''(9)k=k+l(modN),t=t+1转步骤(4).3样本选取与模型设计.3.1样本选取和分析本文主要针对沪深300指数的Et内高频数据,对其收益率进行建模和预测.所用数据全部来自同花顺股票交易系统,采用沪深300指数2008年7月1日至9月18日每日的1分钟高频数据,共13817个有效样本,其中包括10658个学习样本和3159个测试样本. 本文的研究对象是高频金融时间序列的收益率,并采用下面的公式来表示:=,2,…,n(12)式中-.R为沪深300指数时刻(以1分钟为位)的恢益率,为t时刻的收盘价格,为f—时刻的收盘价格.在金融文献中,资本资产定价模型(CAPM)理论就假定资产收益率序列是不可预测的,应没有自相关性.零自相关系数的检验被用来作为有效市场假定是否成立的判定工具.然而,股价的决定方式和指数收益率的计算方式可导致在观察到的收益率序列中有自相关性,尤其是分析高频数据时.为研究样本时期内高频金融时间序列的计量统计特点,本文采用E—views对该数据进行相关性检验,并得到高频金融数据波动率自相关及偏相关分析如表1所示:表1高频数据收益率相关性检验表A…toD—Iat…123盆r¨jlrn—lati0nAr123Af:口tI:arnh-U…U……日JuIJL^J 20251—012054443o00030o'9—017054494o0004一o15B—El07257964oo0o 5—016800o161B730∞06一口079O05B627420o0070o,7006362936D000 801270o52B5174000090153oo246839400∞100102.002169日3700∞110022—00216990100口0 12—0065—0040704820000 13—0116—00327235日0000 14—0122—00237440500口0 15—0D92—00217SSB400口0 16—00300009756日70[3O0 17口D1B?D口057573,000口180D4B0007760500000190口4日00O576364Oo00 20002500017644B00∞21—0011—000776464000022oo33000376614000023一o034000日767760000 24—0019000576日27口000 250O06oo0876*******26o口37002D770200000 27005400127743100002B00570013778850000 29004000027日1100000300口1B00057日157000031—0005—00037B15000.032一口0.90o137B172000033—000100107B17200口0340016001178207000035003900227e4220o00360o4600047871800∞370o4400107日98300∞从表1可以发现,在0.05的临界水平下,高频金融时间序列收益率与其37阶以内的滞后项存在较为显着的相关性,但是与37阶以后的滞后项不存在明显的相关性.因此,在对高频金融时间序列收益率进行建模时,可以选择当前收益率及其37阶滞后项作为变量.3.2输入,出层的向量确定神经网络不需要任何已知的统计或数学知识描述输入一输出模式间的映像,它是根据已选取的样本数据,通过学习和训练,凭自身的网络结构实现对信息的记忆,然后对测试样本进行预测.因此,在神经网络训练时,训练数据应包含所研究对象的全部模式.即,本文输入向量的各个分量应该选取能充分反映沪深300指数收益率的定量指标.通过对高频金融时间序列波动率相关性表的研究,确立了38个输入层节点(神经元),包括时刻的收益率及其前37分钟每分钟的收益率,即(1),R(2)….,R(37),尺38).输出层是对基于高频数据的收益率进行预测,即以时刻的沪深300指数收益率作为输出神经元.输入及输出变量的样本数据见表2:.第4期叶银龙等:基于BP神经网络的股指收益率预测研究41 3-3隐层神经元数目的确定隐层神经元负责实现非线性样本的线性转换,所以在BP网络设计中具有十分重要的作用.隐含层层数和节点个数可自行指定,一般在神经网络中选择一层隐含层,而确定合适的隐层神经元数目是设计BP网络的关键.在以往的众多研究中,人们总结出一些关于确定隐层神经元个数的经验公式,其中,Mir—chadani认为隐含层单元数.,与输入模式P的关系为: log:P.本文根据Clementine神经网络训练方法中的快速训练法,运用多层感知机模型,确定为一层隐含层,而隐含层的节点数目依据公式max(3,+,20),其中://,为输入节点数;no为输出节点数.根据以上公式,可以计算隐含层的神经元数目为3.3.4激活函数的确定激活函数是一个神经元及网络的核心,网络的预测能力在很大程度上取决于所采用的激活函数.激活函数)的作用是激活神经元,使其对输入产生响应.在实际应用中,可根据需要选取适当的激活函数,常用的是Sigmoid类型的函数.由于激活函数浙具有的非线性特征,使BP算法训练的多层前馈式网络建立了从输入到输出的高度非线性映射,可以表达复杂的客观现象.而且,由于其导数常常可用.)自身表示,所以在误差反向传播的过程中,不需要另外计算激活函数的导数,大幅度地减少了计算量,提高了网络的效率.在实际应用中,通过对股票样本数据的学习训练,可以发现采用f(x)=tanf1/[1+exp(-x)1)作为激活函数,网络的收敛速度最快.4实证结果与分析本文运用SPSSClementine数据挖掘软件,以高频数据为样本对沪深300指数的日内收益率构建BP神经网络模型.其基本过程是,首先将2008年7月1日至8月29日的10658个样本数据作为学习和训练样本,建立一个三层BP神经网络模型,然后用剩余的3159个样本数据作为测试样本,来进行模式识别,再判断神经网络模型对沪深指数收益率的拟合程度及预测效果.用样本数据对神经网络进行训练时,需要网络训练参数进行设置,本文确定动力因子a=O.9,较高的0[ 值有助于避免网络的局部极小值,使神经网络的权数调整更加平滑;预测精度为90%,迭代周期为250次,控制误差取为0.0001.最大容许误差设为0.005,学习步长为0.01,最大训练次数为500.利用上述神经网络及其网络规则,可以得到预测精度为98.72%的神经网络模型.基于已构建的BP神经网络模型,再将其对剩余3159个测试样本进行判断,来验证系统的预测结果.在Clementine中,将BP神经网络加入到测试样本的数据流中,可以得到测试样本相对应的沪深指数收益率预测值.再将收益率预测值和收益率实际值做比较分析,如图2所示:图2收益率实际值与预测值比较从图2可以发现,神经网络模型较好地拟合了测试样本的收益率,仅仅有几个时点预测效果不佳.由于测试样本较大,为了更加直观清楚地判断收益率的预测效果,选取了预测周期第一天的收益率实际值与预测值进行比较,得到图3的时间序列图:,UIUU150200图3股指收益率预测值与实际值时序比较图由图3可见,BP神经网络对于沪深300指数收益率的拟合效果相当不错,就整体趋势而言,网络模型基本上模拟出实际收益率的特征,说明BP神经网络42叶银龙等:基于BP神经网络的股指收益率预测研究2009生对于指数收益率的预测能力是较强的.为检验模型的预测效果,引入MAPE指标,MAPE平均相对误差绝对值的定义为:组合等提供了一个可靠的工具.船:∑l曼l(13)iiI[2】式中,为实际值,为预期值.根据上述公式,计算得到BP神经网络3159个测试样本的MAPE=I.66%,表明神经网络的预测精度非t3J常高,BP神经网络对于高频金融时间序列收益率的预测是有效的,而且预测效果非常好.f415结论与启示股票市场高频数据是当前金融计量研究的热点问题,基于高频数据的股指日内收益率建模与预测对于深入研究证券市场具有十分重大的意义.本文采用数据挖掘中的神经网络对高频数据进行建模与预测,实证研究表明其预测能力是非常有效的,可以有效地模拟出短期的沪深300股票指数时间序列收益率的趋势特征.这不仅仅验证了数据挖掘技术在高频数据中应用的可行性,而且也为进一步测算股票市场波动率与金融领域的衍生工具定价,风险管理与控制及投资参考文献RueyS.Tsay.AnalysisofFinaneeialTimeSeries[M].北京:机械工业出版社,2006.234—263.AtiyaAF.Bankrucypredictionforcreditriskusingneuralnet—works:Asurveyandnewresults.NeuralNetworks,IEEETransac- tionson,2o01,(12):929-935.ChenJF.Analysisofanadaptivetime-seriesautoregressivemov—ing-averagemodelforshort-termloadforecasting.FuelandEner- gYAbstract,1996,(37):108—116.MaasoumiEandRacineJ.Entropyandpredictabilityofstockma卜ketreturns.JournalofEconometrics,2002,(107):291-312. MeissnerGandKawanoN.CapturingtheV olatilitySimpleofOp- tionsonHigh-TechStocks-ACombinedGARCH-NeuralNetwork Approach.JournalofEconomicsandFinance,2001,(25):276-292. ChenowethT.HubataR.LouisRDS.AutomaticARMAidentifica—tionusingneuralnetworksandtheextendedsampleautocorrela- tionfunetion:are—evaluation.DecisionSupportSystems,2000,(19): 21-30.袁曾任.人工神经元网络及其应用【M】.北京:清华大学出版社, 1999.朱大奇,史慧.人工神经网络原理及应用[M】.北京:科学出版社, 2O06.(责任编辑:王锋)上接第33页表3回归模型的参数估计值FromDatatoDecisions.NewYork:Wiley.【31Lambert,D.,Zero-inflatedPoissonregression,withanapplication todefectsinmanufacturing【J】.Teehnometrics1992,(34):1-14. [4】Ridout,M…JHinde,andC.G.B.Demetrio.ASCOretestfortesting azere-inflatedpoissonregressionmodelagainstzero-inflated negativebinomialAlternatives[J】.Biometrics2001,(57):219-23. 【5】Miaou,,Therelationshipbetweentruckaccidentsandgeometric designofroadsection:Poissonversusnegativebinomialregression [J】.AccidentAnalysisandPreventation1994,(26):471-482.【6】MullabyJ.SpecificationandTestingofSomeModifiedCountData Models01.JournalofEconometrics.1986,(33):341-365.【7】Dionne,G.,M.Artis,andM.Gullen.Countdatamodelsfora creditscoringsystem[J1.JournalofEmpiricalFinance.1996,(3):303-25.[8】SASInstituteInc.,SolvingbusinessproblemsusingSASenterprise minersoftware【M】.SASInstituteWhitePaper1998.CaryNC: SASInstituteInc.(责任编辑:宁红)。

“中金所杯”全国高校大学生金融期货及衍生品知识竞赛参考题库第一部分股指期货一、单选题1. 沪深300股指期货相应的标的指数采用的编制方法是（D）。

A. 简朴股票价格算术平均法B. 修正的简朴股票价格算术平均法C. 几何平均法D. 加权股票价格平均法2. 在指数的加权计算中，沪深 300 指数以调整股本为权重，调整股本是（ B）。

A. 总股本B. 对自由流通股本分级靠档后获得C. 非自由流通股D. 自由流通股3. 1982年，美国堪萨斯期货交易所推出（B）期货合约。

A. 标准普尔500指数B. 价值线综合指数C. 道琼斯综合平均指数D. 纳斯达克指数4. 最早产生的金融期货品种是（D）。

A. 利率期货B. 股指期货C. 国债期货D. 外汇期货5. 在下列选项中，属于股指期货合约的是（C ）。

A. NYSE交易的SPYB. CBOE交易的VIXC. CFFEX交易的IFD. CME交易的JPY6. 股指期货最基本的功能是（D）。

A. 提高市场流动性B. 减少投资组合风险C. 所有权转移和节约成本D. 规避风险和价格发现7. 运用股指期货可以回避的风险是（A ）。

A. 系统性风险B. 非系统性风险C. 生产性风险D. 非生产性风险8. 当价格低于均衡价格，股指期货投机者低价买进股指期货合约；当价格高于均衡价格，股指期货投机者高价卖出股指期货合约，从而最终使价格趋向均衡。

这种做法可以起到（ D）作用。

A. 承担价格风险B. 增长价格波动C. 促进市场流动D. 减缓价格波动9. 关于股指期货与商品期货的区别描述对的的是（ C）A. 股指期货交割更困难B. 股指期货逼仓较易发生C. 股指期货的持仓成本不涉及储存费用D. 股指期货的风险高于商品期货的风险10. 若IF1401 合约在最后交易日的涨跌停板价格分别为2700 点和3300 点，则无效的申报指令是(C )。

A.以2700. 0 点限价指令买入开仓1 手IF1401 合约B.以3000. 2 点限价指令买入开仓1 手IF1401 合约C.以3300. 5 点限价指令卖出开仓1 手IF1401 合约D.以3300. 0 点限价指令卖出开仓1 手IF1401 合约11. 限价指令在连续竞价交易时，交易所按照（A ）的原则撮合成交。

2023年10月第26卷第20期中国管理信息化China Management InformationizationOct.,2023Vol.26,No.20经济政策不确定性对股市、债市和基金市场动态相关性的影响——基于DCC-MIDAS实证马奕虹，蒋小莲（桂林电子科技大学商学院，广西桂林541004）［摘 要］文章采用GARCH-MIDAS（以下简称G-M）、DCC-MIDAS（以下简称D-M）模型，探讨股票、债券和基金市场的动态相关性及经济政策不确定性（Economic Policy Uncertainty Index,EPU）对相关性的影响。

结果表明，股市与基市具有高度长短期正相关性；债市与股市、基市相关性较小，且呈现大幅波动和频繁正负转换趋势，短期相关大于长期相关。

EPU指数对股债基两两长期相关有显著正向影响。

［关键词］动态相关；经济政策不确定性；GARCH-MIDAS；DCC-MIDASdoi：10.3969/j.issn.1673 - 0194.2023.20.047［中图分类号］F832.5 ［文献标识码］A ［文章编号］1673-0194（2023）20-0145-040 引 言随着金融市场一体化及我国金融体制改革的不断深化，金融市场间信息传导、市场运作和资金轮动效率得到极大提升，“蝴蝶效应”显现，联动性趋势增强。

考察不同金融市场间联动性具有重要理论价值和现实意义，对投资者优化资产配置、理性投资决策，监管机构进行有效监管，政府预判政策效果都具有较强的指导意义。

我国正处于经济体制转型升级的关键阶段，经济政策调整比较频繁，投资者情绪常常受到舆论及政策影响，进而影响其预期及投资决策。

在政策不确定性飙升时期，金融市场波动剧烈，偏好“避险”的投资者常将资产转移到风险较小的市场。

经济政策不确定性会对金融市场间相关性产生重要影响。

股票、债券和基金是最常见的资产配置方式，很多文献研究其收益率波动及相关性特征。