下载文档原格式
基于多维高频数据和LSTM模型的沪深300股指期货价格预
测
邱冬阳;丁玲
【期刊名称】《重庆理工大学学报:社会科学》
【年(卷),期】2022(36)3
【摘要】以2010—2019年的沪深300股指期货为对象,收集日收盘价、5分钟收盘价,以及影响波动的5维度89个指标,采用维度删减、间隔采样方法,组合成多个不同维度和不同频率的LSTM深度学习模型对沪深300股指期货进行预测,并且从空间和时间角度分析维度和频率对股指期货价格波动的影响。
研究表明:LSTM模型可以很好地描绘沪深300股指期货多维高频数据的特征;空间上,变量维度对沪深300股指期货价格的预测带来间接影响,预测精度最高的出现在10至20个交易日区间;时间上,数据频率的影响更为直接,频率越高预测精度越高。
研究结论有助于股指期货参与各方分散和化解金融风险。
【总页数】15页(P55-69)
【作者】邱冬阳;丁玲
【作者单位】重庆理工大学经济金融学院
【正文语种】中文
【中图分类】F83
【相关文献】
1.基于ARMA模型的沪深300股指期货高频数据收益率研究与预测
2.基于ARIMA模型的沪深300股指期货价格预测研究
3.人工神经网络在股指期货价格预测中的研究--基于沪深300股指期货市场高频数据的分析
4.股指期货价格发现能力研究──基于高频数据沪深300的实证分析
5.沪深300股指期货价格发现功能实证研究——基于1分钟高频数据
因版权原因，仅展示原文概要，查看原文内容请购买。
收稿日期：2020-09-04修回日期：2020-10-21作者简介：李延军，男，陕西延川人，河北工业大学经济管理学院教授，博士，研究方向为证券市场；林雪瑞，女，河北沧州人，河北工业大学经济管理学院，研究方向为证券市场。
沪深300股指期货与现货市场间风险传染效应及影响因素李延军林雪瑞（河北工业大学经济管理学院，天津300401）摘要：本文选取2005—2019年我国沪深300股指期货和沪深300股票指数日收盘价数据，结合股票推出时间、股价波动性，设置样本组、对照组，运用GARCH 模型、DCC-GARCH 模型、Granger 因果关系检验及多元线性回归模型分析了沪深300股指期货与现货间的风险传染效应及影响因素，并结合研究结论提出对策，以期促进资本市场健康发展。
结果表明：沪深300股指期货市场与现货市场间存在双向的风险传染效应，且经DCC-GARCH 模型分析表明风险传染效应在动荡期尤为明显；影响这种风险传染效应的因素有很多，主要表现为微观因素中的股票市场流动性和股票市场不确定性与极端事件两个方面。
关键词：沪深300股指期货；沪深300股票指数；风险传染；DCC-GARCH 模型；多元线性回归中图分类号：F830.91文献标识码：A 文章编号：1674-2265（2021）01-0069-09DOI ：10.19647/ki.37-1462/f.2021.01.010一、引言21世纪以来，随着全球金融市场开放程度加深、联动性加强，金融市场间的风险传染效应已成为投资者关注的重点之一。
风险传染效应即在危机发生时，不同金融市场间价格波动的相关性较稳定时期明显增加的现象，它通过贸易传染、资本流动等宏观层面和噪声交易、羊群效应等微观层面的传染渠道引起金融资产收益率和价格波动。
信息时代的到来加速了金融市场间讯息的传递，为金融市场间风险的加速传染埋下隐患。
因此，如何防范金融市场间的风险传染已成为亟待解决的问题。
基于多维高频数据和LSTM模型的沪深300股指期货价格预测基于多维高频数据和LSTM模型的沪深300股指期货价格预测股指期货作为金融市场中的重要工具，一直以来备受投资者的关注。
为了实现更准确的价格预测，在过去几年中，随着大数据和深度学习技术的快速发展，越来越多的研究将多维高频数据和LSTM（Long Short-Term Memory）模型结合起来进行股指期货价格预测研究。
在传统的股指期货价格预测中，常常使用基于统计模型或机器学习模型的技术来进行预测。
但是，由于股指期货市场的复杂性和动态性，传统方法常常难以准确预测价格的变化。
因此，利用多维高频数据和LSTM模型进行股指期货价格预测成为了当前的研究热点之一。
多维高频数据是指基于时间序列的大量交易数据，包括股指期货的价格、成交量、持仓量等指标。
通过对这些数据进行有效的处理和分析，可以获得对股指期货市场的全面了解，并取得更好的预测效果。
而LSTM模型则是一种特殊的循环神经网络，可以较好地处理时间序列数据，并具有记忆和遗忘机制，因此可以适用于预测股指期货价格的长期依赖关系。
为了验证多维高频数据和LSTM模型在股指期货价格预测中的效果，我们选择了沪深300股指期货作为研究对象进行实证分析。
首先，我们从期货市场获取了多维高频数据，包括股指期货的历史价格、成交量、持仓量以及其他相关指标。
然后，我们使用LSTM模型对这些数据进行训练，并进行预测股指期货的价格。
实验结果显示，基于多维高频数据和LSTM模型的沪深300股指期货价格预测具有较好的准确性和稳定性。
通过对比实际价格与预测价格的差异，我们发现预测误差相对较小，能够捕捉到价格的长期趋势。
同时，模型对于市场的短期波动也具有一定的预测能力。
多维高频数据和LSTM模型的结合在股指期货价格预测中具有广阔的应用前景。
首先，由于模型能够处理大量的时间序列数据，预测结果更加准确可靠，可以帮助投资者实现更好的收益。
其次，该方法能够捕捉到市场的长期趋势和短期波动，有助于制定更加合理的投资策略。
基于组合模型的股票收盘价短期预测方法作者：魏健赵红涛刘敦楠来源：《经济研究导刊》2021年第09期摘要：股票收盘价的涨跌受到多方面的影响，针对传统单一的算法难以准确预测收盘价，而CNN-LSTM和GBDT为神经网络模型和决策树算法中的杰出代表。
设计基于卷积神经网络（Convolutional Neural Network，CNN）、長短时记忆神经网络（Long Short-Term Memory，LSTM）、梯度提升决策树（GradientBoostingDecisionTree，GBDT）、CNN-LSTM 的组合预测模型，通过Python对上证指数进行实例验证以及与各单项预测模型比较得出，组合预测方法正确预测收盘价涨跌的比例远高于单项预测模型，其正确预测的比例达到了94.33%，在其他误差标准上，组合模型也有一定的优势。
关键词：收盘价短期预测;灰色关联;DBSCAN聚类;CNN-LSTM模型;BP组合模型;GBDT 模型中图分类号：F830.91 文献标志码：A 文章编号：1673-291X（2021）09-0075-05引言在股票市场中利用量价关系可以推测股价的走势，近年来股票的涨跌也越来越受到人们的关注，所以精准预测股票走势无疑是一个很重要的问题。
根据近些年来金融工作者的反复研究，发现精准预测收盘价对判断股票的走势有指导性作用[1]。
收盘价既是股票交易的暂时终点也很可能是新的价格变动的开端，因此它对预测股票变化趋势有重要意义[2]。
苏适等（2017）[3]和金之榆等（2019）[4]介绍了异常值的数据处理方法，认为可以使用DBSCAN聚类的方法来筛选异常值。
孙丽洁（2020）[5]和马煜等（2020）[6]使用灰色关联度来判断非线性各指标之间的关系，同时选用关联度较高的指标作为重点研究对象。
勾玄等（2020）[7]和欧阳红兵等（2020）[8]提出使用神经网络模型来预测股票收盘价，尤其是CNN 和LSTM模型在预测中有良好的效果。
股指期货短期价格预测模型研究作者：徐颢华顾海峰来源：《金融教学与研究》2014年第03期摘要：本文构建的短期股指期货预测模型，是采用导数分析首先判断其走势方向，再通过一阶差分BP神经网络模型预测波动幅度，进而得到预测日期指价格。
以沪深300股指期货为例进行的实证表明，该方法的符号正确率达到75%以上，平均绝对误差也只有20多个点。
该方法可用于研究我国股指期货市场的短期定价机制和指导股指期货短期套利。
关键词：差分BP神经网络；股指期货；短期价格；预测模型；沪深300指数中图分类号：F830.9 文献标识码：A 文章编号：1006-3544（2014）03-0027-06一、引言中国证监会于2010年宣布HS300指数期货正式上市交易，为中国的金融市场增加了新的投资工具，如何对其价格进行预测也成为众多投资者关注的焦点。
股票、期货、外汇的预测一直是热门的话题，其预测的方法有各式各样。
在上个世纪六七十年代，关于基本面分析与技术分析的争论达到一个高峰。
对于技术分析的反驳，主要原因在于技术分析认为价格可以预测，而这与有效市场假说是背道而驰的 [1] 。
Fama（1970） [2] 指出，在一个“有效”市场中，价格能够“充分反映”可获得的信息。
但是后来的金融学者，如Brown和Jennings（1989） [3] 提出一个两阶段噪音理性预期模型，以及一些行为经济学家提出的正反馈模型，证明了技术分析的有效性。
在对价格变动预测研究中，一般的预测方法可以大概分为两类：一类是利用统计学、计量经济学模型；另一类是利用神经网络、模糊集合等人工智能方法。
由于股票指数期货市场是一个不稳定的、开放的、非线性动态变化的复杂系统。
市场上股指期货合约价格的变动受到金融、经济、政治、社会以及投资者心理等众多因素的影响，其变化过程具有非线性、混沌性、长期记忆等特点 [4] 。
神经网络模型强大的非线性映射能力被一些学者用来研究市场的预测分析。
前言2010年1月8日，国务院原那么同意推出股指期货；2月20日，证监会正式批复中国金融期货交易所沪深300股指期货合约和业务规那么，至此股指期货市场的主要制度已全部发布；2月22日9时起，中国金融期货交易所开始正式受理客户开立股指期货交易编码的申请。
股指期货上市前的各项筹办工作紧锣密鼓并相继完成，正式推出之日将至。
股指期货的推出将是中国金融市场上的一次重大创新，填补了我国金融期货的空白，它将改变当前市场单一的博弈模式，结束中国股票市场持久以来没有做空机制的现状，同时也有利于提高金融市场效率与市场透明度，积极鞭策产物创新、策略创新，必将对中国股市、期市的和谐健康开展作出重大奉献。
股指期货的呈现亦将使得机构投资者的交易策略更富多元化。
操纵股指期货的多项特征与优势，可以轻松实现套利、套期保值以及资产配置等组合策略，有效改善投资组合的效率。
为帮忙机构投资者更全面明晰地了解股指期货、了解股指期货推出后的新市场、新策略，我们以下就股指期货的根底常识、以及操纵股指期货进行套利、套期保值、资产配置等可选交易策略作一一介绍。
根底篇股指期货根底常识一、股指期货概况期货分为商品期货和金融期货。
股指期货为金融期货的一种，是以股票指数为标的资产的尺度化期货合约。
买卖双方报出的价格是一按期限后的股票指数价格程度，合约到期后通过现金结算差价的方式进行交割。
1、股指期货的特征股指期货是一种金融衍出产物，即它的价格衍生于股票这样一种根底资产。
股指期货在全球范围内的成功得益于股票市场的高波动性。
传统的股票市场中，由于成本压力增加、市场收益程度下降，对风险进行办理显得尤为重要，投资者急需更多可供选择的投资策略，而孕育而生的股指期货就是这样一种高效率、低成本的策略东西。
〔1〕风险转移和收益增加股指期货的主要优势在于它可以实现风险转移。
市场中的投资者对风险有不同偏好。
风险厌恶型的投资者可能不但愿持有的投资组合发生吃亏，而风险爱好型的投资者却愿意主动承当更大的风险，而且通过准确预测市场的走势，来博取盈利的时机。
基于支持向量机模型的股指期货高频交易策略研究共3篇基于支持向量机模型的股指期货高频交易策略研究1随着股指期货市场的不断发展和交易规模的不断扩大，高频交易已成为股指期货市场中的重要交易方式之一。
高频交易是指利用计算机技术，在非常短的时间内进行大量的买卖操作，以赚取微薄但高频的利润。
在高频交易中，交易策略是成功的关键。
本文基于支持向量机模型，探索股指期货高频交易策略，旨在提高交易成功率和收益水平。
支持向量机（Support Vector Machine，简称SVM）是一种基于统计学习理论的机器学习算法，能够在高维空间中将数据进行分类和回归。
在股指期货高频交易策略中，SVM模型可以用来进行趋势预测和交易信号的生成。
首先，对数据进行处理和预处理。
在高频交易中，时间是至关重要的，因此需要选择适当的时间尺度和数据频率。
本文选择1分钟的时间尺度和历史交易数据，建立了一个时间序列模型。
然后，对数据进行平滑处理，以消除噪音和震荡。
然后，引入支持向量机模型，对数据进行趋势预测。
SVM模型可以在高维空间中对数据进行分类和回归，本文选择了回归模型。
通过对历史数据进行回归分析，得到了未来一段时间内的股指期货价格趋势预测结果。
最后，结合趋势预测结果和交易规则，生成高频交易信号。
在高频交易中，信号的生成是至关重要的。
本文采用了双均线交易策略，即以短期均线为触发线，以长期均线为确认线，当短期均线从下往上穿过长期均线时买入，当短期均线从上往下穿过长期均线时卖出。
通过支持向量机模型和交易规则相结合，本文对股指期货高频交易进行了研究和测试。
实验结果表明，本文提出的交易策略具有一定的优越性，能够在一定程度上提高交易成功率和收益水平。
综上所述，本文基于支持向量机模型，探索了股指期货高频交易策略，并提出了一个基于双均线交易策略的交易系统。
该系统能够在一定程度上提高交易成功率和收益水平，具有一定的实际应用价值。
未来，还可以进一步优化模型和策略，提高交易效果和稳定性本文基于支持向量机模型，研究了股指期货高频交易策略，并提出了一种基于双均线交易策略的交易系统。
基于机器学习的期货交易策略研究期货交易是金融市场中的一大重要交易形式，也是各大投资者争相涌入的领域。
然而，虽然许多投资者在期货交易领域中获得过不少收益，但也有相当一部分人在这个市场中深陷泥潭。
因此，如何制定一套有效的期货交易策略成为了许多投资者所关注的重点。
机器学习技术的发展为期货交易策略的制定提供了新的思路和方法。
下面将介绍基于机器学习的期货交易策略研究。
一、机器学习技术在期货交易中的应用机器学习是指一种由计算机自动学习和识别规律，并根据规律自主预测、判断或决策的技术。
在期货交易领域，机器学习可以用于以下几个方面：1.市场分析机器学习技术可以通过从大量历史数据中学习到各种相关规律，比如价格走势、市场情绪、交易时机等，从而帮助投资者更好地分析市场。
具体来说，机器学习可以通过数据挖掘，分析市场中的多种因素，找到它们之间的相互关系，发现各种有效的交易信号。
2.量化策略机器学习可以通过对市场的各种数据进行分析，从而自动创建一套量化交易策略。
在这个过程中，机器学习模型可以评估不同的交易策略，并找到最佳策略。
通过应用机器学习模型，投资者可以快速得到最新的、最优的市场信息，并自动制定交易策略。
3.风险管理在期货交易中，投资者必须时刻关注市场波动情况，以便及时应对风险。
机器学习技术可以通过自动预测市场的波动状况，帮助投资者制定更加科学的风险管理策略。
这样一来，投资者可以实现有效的风险控制，保证自己的投资收益。
二、机器学习技术的优势相对于传统的人工交易，机器学习交易在以下几个方面有明显的优势：1.高速交易机器学习技术的应用可以帮助投资者快速了解市场状况，并自动制定交易策略。
此外，通过自动化交易，投资者可以更快地响应市场情况，更快地进出市场。
2.自动决策机器学习技术可以根据历史数据和最新市场信息，自动生成交易策略。
不但省去了人工分析和判断的时间，也避免了情绪和主观因素的干扰。
自动决策可以让交易更加稳健和客观。
3.高效风险控制机器学习技术可以监控市场波动，快速实现投资组合的风险控制。
股指期货的数据频率对统计套利绩效的影响研究——基于动
态预测区间的择时交易机制
张震;徐晟
【期刊名称】《科学决策》
【年(卷),期】2017(000)002
【摘要】为了研究股指期货的数据频率对统计套利的绩效影响,本文提出了动态预测区间的择时交易机制.在实证检验中分别运用OLS恒定波动策略,GARCH时变波动策略与之比较.研究结果表明,在样本区间内外,动态预测区间模型各项指标均是最好的.其次,在确保交易过程中发出的信号始终处于有效状态的情况下,随着使用的数据频率趋向高频,可套利次数增多,同时持有期的收益率升高,而单次套利的最大回撤比例也有增加,说明采用高频数据套利将会牺牲一部分收益能力的稳定性来换取绝对收益量的增加.
【总页数】15页(P61-75)
【作者】张震;徐晟
【作者单位】上海师范大学商学院金融系;朱雀股权投资管理股份有限公司
【正文语种】中文
【中图分类】F830.91
【相关文献】
1.股指期货套期保值模型选择和绩效评价——基于沪深300股指期货住址交易数据的实证分析 [J], 吴博
2.股指期货推出对中国股市价格影响研究——基于沪深300股指期货数据的实证分析 [J], 仲平;
3.基于高频数据的股指期货期现统计套利程序交易 [J], 张连华
4.基于高频数据的股指期货期现统计套利程序交易 [J], 张连华
5.基于小波去噪和协整理论的股指期货高频数据跨期择时套利策略 [J], 曲传菊; 杨皎平
因版权原因，仅展示原文概要，查看原文内容请购买。
股指期货日内程序化交易模型（银河期货兵器谱）（5篇）第一篇：股指期货日内程序化交易模型(银河期货兵器谱)产品说明书银河程序化交易兵器谱-------------银河期货程序化交易模型简介程序化交易简介一、程序化交易概念与特点：程序化交易系统是指将设计人员交易策略的逻辑与参数在电脑程序运算后，并将交易策略系统化。
当趋势确立时，系统发出多空讯号锁定市场中的价量模式，并且有效掌握价格变化的趋势，让投资人不论在上涨或下跌的市场行情中，都能轻松抓住趋势波段，进而赚取波段获利。
优点如下：（1）首先执行速度快，电脑下单比手动操作快，同样的机会，电脑下单能抓住，手动下单未必能抓住。
（2）有了电脑程序，一个人可以让多台电脑同时去执行自己的交易思想，个人可以操作更多的账户，更多的资金。
（3）程序执行的客观性、纪律性可以克服人的情绪化交易，做到真正的“知行合一”。
二、程序化交易是证券投资的必然趋势：首先，从交易特点来分析，程序化交易事先验证、交易专业、反应迅速、纪律严明和交易理性的特点，符合期货交易的内在要求，是期货市场和信息技术发展的必然结果。
其次，从长期投资收益而言，程序化交易代表着期货投资的未来方向。
程序化交易代表人物是西蒙斯，他管理的文艺复兴技术公司1989 至2007 年的年均收益率高达38%，傲视群雄。
而同期索罗管理的量子基金年均收益率为22%左右，巴菲特的伯克希尔公司投资的年均收益率为20%左右。
在2008 年全球金融危机的重挫中，西蒙斯管理的基金回报率更是高达80%，程序化交易的威力可见一斑。
最后，从发展进程来看，程序化交易是投资者的必然选择。
目前程序化交易在金融交易中的占比在欧美已经达到一个比较高的比例。
在我国，越来越多的投资者已经开始使用程序化交易，同时潜在需求旺盛，随着融资融券、股指期货等业务的日益发展，我们相信程序化交易一定会得到长足的发展。
三、银河期货程序化交易：2010年年初，我公司在业内率先成立程序化交易研究团队，专注于程序化交易的研究。
62多指标优化及组合的量化择时策略陈皓作者简介：陈皓（1995－），男，汉族，浙江人，首都经济贸易大学信息学院，本科，量化择时。
（首都经济贸易大学信息学院北京100070）摘要：股票择时是股票投资市场的重要部分，具有高收益、高风险的投资特点。
由于单指数策略的局限性和偶然性较高，数据获取不够翔实无法及时有效地获取收益和止损。
面对不同的波动性、周期性、价格弹性等不同的股票，因此使用该策略会失去客观性和灵活性。
为解决上述问题，本文建立了多指标优化组合的择时模型。
本文首先选取了四个经典的趋势时间选择指标，然后根据交叉原则，将其标记为时间选择性买卖，并将其分别输入到支持向量机中进行训练，从而得到其最优的指标参数。
接着将四个技术指标组合，对择时模型进行训练。
关键词：股票指标；单指标参数优化；组合指标一、股票择时理论股票择时是定量投资的内容之一，它不考虑如何选择股票或如何构建投资组合，而是集中在确定股票或投资组合后的买卖时间的选择上。
甚至可以认为，定量定时策略用于预测任何资产的买卖时间。
股票择时的方法目前主要有8种，分别是趋势择时、市场情绪择时、有效资金模式、牛熊线、Hurts 指数、SVM 分类、SWAＲCH 模型以及异常指标择时模型［1］。
二、构建多指标优化及组合择时模型（一）单指标择时策略模型构建每个技术指标都有其固有的属性，交易者通常通过该属性预测股票的上涨或下跌。
这一层的工作是将此继续转换为＇+1＇与＇－1＇，其中＇+1＇表示股价将上涨，进行买入操作；＇－1＇表示股价将下跌，进行卖出操作。
下面将提到单个技术指标的买卖判断策略［2］。
1）MA 单指标策略模型移动平均数是指连续几个交易日的收盘价计算平均数，用来反映股票价格的历史波动，进而反映股票价格指数的发展趋势。
其中MA （n ）t=1n∑n －1t =1Pt －1采用MA 指标定量计时，在短期波动平均值和长期移动平均值交叉点买入或卖出计时交易。
2）MACD 单指标策略模型MACD 是一个具有相似性和差异性的平滑移动平均指数。
第7期2019年4月No.7April，2019全球证券市场的交易机制一般分为报价驱动市场和订单驱动市场两类，前者由做市商提供交易流动性，后者由交易指令订单提供流动性。
中国的股票和期货市场都属于订单驱动。
目前，针对订单驱动市场的订单簿动态建模及构建交易策略，主要是通过金融计量学和机器学习两种方法来完成。
本文将采用机器学习方法中的支持向量机（Support Vector Machine ，SVM ），依据期货的订单簿建模，研究期货的择时交易策略。
SVM 最早由Vapnik 提出，是一种分类学习算法。
对于一个分类问题，单层前向问题可解决线性分类问题，多层前向问题可解决非线性问题。
但这些只能解决问题，并不能保证得到分类器是最优的。
基于统计学习理论的SVM 方法可以从理论上实现对不同类别间的最优分类，通过寻找最坏的向量，达到最好的泛化目的。
本文首先介绍并推导 SVM 模型，并解释为何选择该模型做期货走势的预测，利用非线性SVM 模型中的 C-SVM 模型来对期货进行择时。
通过自动地对涨跌两种状态进行分类学习，使计算机自动识别未来可能的状态，达到择时的目的。
本文实证部分，以上海黄金期货为例，以价格信号为样本属性，通过MATLAB 编程，并利用台湾大学林智仁教授等人开发的LibSVM 工具箱，首先，对数据预处理，其次，选择最优惩罚系数c 和核函数半径g ，自动选择最优时间窗口Window ，最后，利用实际收益率、回撤率等指标对模型进行评测，完成C-SVM 的期货订单簿择时交易策略的实证研究。
1 SVM与订单簿SVM 比一般的机器学习算法更加简单易用，直接将一个复杂的时间序列预测问题，转化为一个简单的分类问题，可以给出明确的交易信号。
SVM 的特点是，输入样本后将分类器的结果与1/﹣1比较，大于1或小于﹣1可确定类属，介于两者之间则不予分类。
通过最大化几何间隔来训练分类器，只有支持向量会参数模型训练。
对于线性不可分的样本通过映射到高维空间来实现线性可分，这个映射关系不好确定，核函数则很巧妙的解决了这个问题，也正是因为核函数的引入，SVM 有效地克服了维度之咒。
不同时期我国股指期货与现货的因果检验--以沪深300为例李之好;林永绿【摘要】The interaction between CIS300 index and its futures was analyzed over three periods by co-integration, causality test and impulse response, which included stable market period, stock crash period and position-controlled period. The empirical result showed that CIS300 index futures could lead price discovery in stable market, not main reason of market decline. Furthermore, the policy of position-constrained cannot stop the market falling, except for decreasing liquidity.%通过对沪深300股票指数历史数据区间的划分，利用协整检验、Granger因果检验、脉冲响应函数等方法分别研究稳定市场期间、股灾期间和限制开仓期间沪深300股指期货和沪深300股指现货的相互影响关系；结果表明在市场稳定时股指期货具有价格发现功能，并且不会成为造成股灾的主要原因，限制期货的开仓手数只会限制流动性，不能阻挡市场下跌。
【期刊名称】《价值工程》【年(卷),期】2016(035)017【总页数】3页(P172-174)【关键词】股灾;协整;因果检验;脉冲响应【作者】李之好;林永绿【作者单位】安徽财经大学金融学院，蚌埠233030;安徽财经大学金融学院，蚌埠233030【正文语种】中文【中图分类】F832.52015年我国A股市场上经历了一场熊牛轮换，期间出现了千股跌停，千股涨停，千股停牌，股指熔断等一系列股市奇观。
