股价波动模型的研究讲解
- 格式:doc
- 大小:600.00 KB
- 文档页数:37
中国股票市场的三因子模型中国股票市场的三因子模型一、引言股票市场是经济社会中最重要的金融市场之一,也是资本运作和投资的重要平台。
对于股票投资者来说,了解股票市场的运行机制和影响因素,是进行投资决策的基础。
三因子模型是衡量股票收益率波动的一种重要方法,也被广泛应用于中国股票市场的研究。
二、三因子模型的基本原理三因子模型是基于市场效应、公司规模和市场账面市值比来解释股票收益率波动的模型。
市场效应指的是整个股票市场的整体表现对个股收益率的影响,市场规模和公司规模对个股收益率也有显著影响,而市场账面市值比则反映了公司的价值与市场估值之间的差异。
通过三因子模型,可以更全面地分析和解释股票市场的波动性。
三、中国股票市场的市场效应市场效应是指股票市场整体表现对个股收益率的影响力。
在中国股票市场中,市场效应受到政策法规、宏观经济情况以及市场情绪等多种因素的影响。
例如,政策发布对市场影响巨大,一些行业的政策利好或政策调整都会直接影响相关上市公司的股价。
此外,宏观经济指标如GDP增长率、通胀率等也会对市场效应产生重要影响。
最后,市场情绪因素如投资者心理、市场预期等也会对股票市场的波动性产生较大影响。
四、中国股票市场的公司规模因素公司规模是指上市公司的市值大小对股票收益率的影响。
在中国股票市场中,大公司往往比小公司更有优势,因为大公司通常在经营、研发和市场开拓等方面有更多资源和能力。
因此,大公司的股票收益率一般会相对稳定和较高,而小公司则存在较大的风险和不确定性。
在投资决策中,投资者需要根据公司规模因素来选择合适的股票,以降低投资风险。
五、中国股票市场的市场账面市值比市场账面市值比是指公司价值与市场估值之间的差异对个股收益率的影响。
在中国股票市场中,账面市值比被广泛应用于估值分析和价值投资。
当公司的账面市值比较低时,说明其市值相对较低,有较大的投资价值;反之,当公司的账面市值比较高时,说明其市值相对较高,风险也相对较大。
随机波动率模型的研究和应用的开题报告一、选题背景随机波动率模型(Stochastic Volatility Model,SVM)由Wiggins于1987年第一次提出,之后Hull & White(1987)、Sjaastad & Sundt (1988)、Stein & Stein(1991)、Heston(1993)等学者也都对其做出了相应的探讨和应用。
SVM主要用于研究金融市场中的波动率现象,因为实际市场中的波动率通常不是固定不变的,而是随时间和市场情况而变化的,因此需要建立更加符合实际情况的随机波动率模型来对金融市场进行建模和预测。
二、研究内容本文将对随机波动率模型进行深入研究,主要内容包括:1. SVM模型的定义、构建和参数估计方法。
2. SVM模型在金融市场中的应用,包括期权定价、波动率曲面建模、风险管理等领域。
3. SVM模型与传统波动率模型的比较与分析,探讨其优势和不足之处。
4. 实证研究,基于历史数据对SVM模型的表现进行测试和验证。
5. SVM模型的拓展研究,探讨如何将其应用于实际金融市场中更为复杂的情况,例如跨市场波动率联动、高频交易等问题。
三、研究意义1. SVM模型是对传统波动率模型的重要补充,能够更好地反映金融市场的实际情况,因此研究其构建和应用可以提升金融市场的预测和风险管理能力。
2. 在实践中,SVM模型已经被广泛应用,因此对其进行深入研究有助于更好地理解其优缺点,并推动其改进和拓展。
3. SVM模型是量化金融领域的一个重要研究方向,对其进行深入探索有助于培养专业人才和推动相关技术的发展。
四、预期结果通过对随机波动率模型的研究,本文预期可以得出以下结果:1. 深入理解SVM模型的构建和参数估计方法,能够清晰解释为什么SVM模型能够更好地反映实际市场情况。
2. 能够掌握SVM模型在金融市场中的应用,并对其优化进行相关的建议和反馈。
3. 能够对SVM模型与传统波动率模型进行比较与分析,使读者了解其优劣之处。
股票市场价格波动的实证分析第一章简介近年来,随着股市的快速发展,股票市场的价格波动现象也越来越引起了人们的关注。
价格波动不仅影响投资者的决策和利润,同时也对整个市场的稳定性产生影响。
通过实证分析股票市场的价格波动,可以更好地理解市场的运作规律,优化投资策略,降低投资风险。
本文将探究股票市场价格波动的实证分析。
第二章股票市场价格波动的定义及形态股票市场价格波动是指股票市场中股票价格的整体波动情况。
股票价格的波动有多种形态,下面将进行简要介绍。
1.趋势性波动趋势性波动是指股价沿着某种方向持续变化的情况。
这种波动会持续相当长的时间,通常是几周或几个月。
趋势性波动通常是由基本面因素(如公司盈利情况、市场需求等)所影响引起的。
2.波动性波动波动性波动是指股票价格出现起伏波动的情况。
这种波动通常是由各种市场因素如政治、经济、社会等所影响引起的。
波动性波动通常是短期的,仅持续几天或几周。
3.周期性波动周期性波动是指股票价格在一定时间内出现多次上涨或下跌的情况。
这种波动通常是周期性变化的,可以通过技术分析来判断股票价格趋势。
4.随机性波动随机性波动是指随机因素对股票价格的影响,是不可预测的。
这种波动通常是短期的,并且不具备周期性和趋势性。
第三章股票市场价格波动的影响因素股票市场价格波动的影响因素很多,下面列举几个主要的因素。
1.宏观经济因素宏观经济因素包括整个国家或地区的经济状况、利率、通货膨胀率等,这些因素对股票市场价格波动有较大的影响。
2.公司基本面因素公司基本面因素包括公司的盈利情况、营收、市盈率等财务指标,这些因素对股票的价格波动有直接的影响。
3.政治因素政治因素涉及政府的政策和决策对股市的影响,如税收政策、外交政策、贸易政策等。
4.流动性因素流动性因素包括货币供应量、资金流动量等,这些因素对市场投资者的情绪和信心有较大的影响。
第四章股票市场价格波动的实证研究股票市场价格波动的实证研究主要包括以下几个方面的内容。
transform模型预测股价方法transform模型是一种基于自注意力机制和编码-解码结构的神经网络模型,它在自然语言处理任务中取得了很大的成功。
然而,它也可以应用于其他领域,如股价预测。
在本文中,我们将介绍如何使用transform模型来预测股价。
股价预测一直是金融领域非常重要的任务之一、市场上的股价波动受到多种因素的影响,如经济指标、市场情绪、公司业绩等。
传统的预测方法通常基于统计模型,如ARIMA、GARCH等。
然而,这些方法的局限性在于它们忽略了时间序列数据之间的关联性。
因此,我们需要一种能够捕捉时间序列数据内在关联性的方法,那就是transform模型。
transform模型使用了自注意力机制,它能够学习不同时间步之间的重要性。
在股价预测中,我们可以将股票的历史价格作为输入序列,然后根据过去的价格来预测未来的价格。
具体来说,我们可以将每天的股价作为一个时间步,然后通过transform模型来学习时间序列数据之间的关联性。
在使用transform模型进行股价预测时,我们首先需要定义模型的结构。
通常,一个transform模型包括一个编码器和一个解码器。
编码器将输入序列转换为一个高维特征表示,解码器则根据这个特征表示生成预测结果。
在编码器中,我们可以使用多层自注意力机制来学习输入序列的表示。
具体来说,我们将输入序列经过多层自注意力机制,每一层都会对序列中的每个时间步进行权重计算,然后根据这些权重对序列进行加权平均。
这样,我们可以得到一个综合考虑了所有时间步的表示。
在解码器中,我们将使用自注意力机制来根据编码器的输出生成预测结果。
具体来说,我们将解码器中的每一个时间步的输入设为前一个时间步的输出,然后利用自注意力机制来学习输入序列和输出序列之间的关联性。
最后,我们可以通过线性层将解码器的输出转换为预测结果。
在训练过程中,我们可以使用均方误差作为损失函数来衡量预测结果和真实结果之间的差异。
基于小波变换的动态股票预测模型研究股票市场作为经济发展的晴雨表,一直以来都备受关注。
投资者和分析师们努力寻找一种有效的方法来预测股票价格的变化,以获得更高的回报。
近年来,小波变换成为了股票价格预测领域的一种重要工具。
本文将探讨基于小波变换的动态股票预测模型,以帮助投资者做出更准确的决策。
首先,我们先来了解什么是小波变换。
小波变换是一种将时间序列数据分解为不同频率成分的统计工具,通过分析不同频率上的振幅变化,可以更好地理解时间序列数据的特征和规律。
在股票价格的预测中,小波变换可以帮助我们提取出不同时间尺度上的特征,进而进行有效的预测。
动态股票预测模型是指随着时间的推移,股票价格的预测模型也会不断调整和更新。
在小波变换中,动态模型可以通过监测价格的变化,并根据最新的数据调整模型参数,实时地进行预测。
这种动态调整的方式可以更好地适应股票市场的变化,并提高预测的准确性。
为了构建基于小波变换的动态股票预测模型,我们首先需要收集和整理历史股票价格数据。
这些数据包括股票的开盘价、收盘价、最高价、最低价等。
然后,我们将利用小波变换将这些时间序列数据进行分解。
小波变换可以将原始的时间序列数据分解为多个尺度和频率的小波系数,每个系数对应着不同频率上的振幅变化。
通过观察不同尺度的小波系数,我们可以进一步理解股票价格的长期和短期趋势。
接下来,我们需要选择一个适当的小波函数来进行变换。
常用的小波函数包括Daubechies小波、Haar小波等。
不同的小波函数具有不同的特性,可以适应不同类型的时间序列数据。
在选择小波函数时,我们需要考虑时间序列数据的周期性、噪声特征等因素。
在进行小波变换后,我们将得到一系列的小波系数,并根据这些系数来进行股票价格的预测。
由于小波系数表示了不同时间尺度上的特征,我们可以通过分析这些系数的变化趋势来预测未来股票价格的走势。
例如,如果某个尺度上的小波系数呈现出逐渐增大的趋势,那么我们可以预测股票价格将上涨。
基于GARCH模型中国股市波动性的实证分析【摘要】应用ARCH,GARCH,TARCH,EGARCH,GARCH-M模型对中国股市收益率进行定性及定量的分析。
考虑到我国股市变动的实际效果,提出EGARCH模型对我国股市是较好的选择。
分析股市的ARCH效应,对我国上证180指数收益率进行实证分析。
【关键词】上证180指数;GARCH模型;收益率一、前言一些时间序列特别是金融时间序列,常常会出现某一特征的值成群出现的情况。
特别是在市场经济条件下,股票市场出现大起大落现象,股价的剧烈变动是股票市场最显著的特征之一。
近年来,有关我国股市的各方面的研究很多,大致可以分为三类:一是经济运行基本因素对股市影响的分析模型。
二是各类股市间的相关性研究。
三是股市自回归模型。
对股票收益率序列建模,某随机扰动项往往在较大幅度波动后紧接着较大幅度的波动,在较小幅度波动后紧接着较小幅度的波动。
这种性质叫做波动的集群性。
在一般的回归分析和时间序列分析中,要求随即扰动项是同方差,但这类序列随机扰动项的无条件方差是常量,条件方差是变化的量。
这种情况下需要使用条件异方差模型,也就是本文研究的GARCH 模型。
二、模型简介ARCH模型最早是由Engle于1982年提出,是最简单最基础的条件异方差模型(自回归条件异方差模型),用来描述波动的集群性和持续性。
但是为了获取条件异方差的动态特征需要高阶的ARCH模型。
Bollerslev将ARCH模型的阶数推广到无穷,得到广义的自回归条件异方差模型,即GARCH模型。
该模型大大减少了参数估计的个数,具有良好的处理厚尾的能力。
基于这两个模型发展起来得到很大的扩充,以GARCH(1,1)模型为代价的低阶ARCH类模型因参数少且建模效果好,在金融收益率序列的波动性研究中得到广泛的应用。
然而在应用GARCH模型的过程中发现ARCH项和GARCH项的参数之和非常接近1.这表明满足参数约束的条件。
后来的研究中先后对ARCH模型进行扩展,提出了GARCH,TARCH,EGARCH,GARCH-M等模型。
《基于ARMA模型的股价分析与预测的实证研究》篇一一、引言随着科技的进步和大数据时代的到来,金融市场的分析预测方法日趋丰富。
其中,时间序列分析方法以其独特的优势在股价预测领域发挥着重要作用。
本文以ARMA模型为基础,通过对实际股价数据进行实证研究,旨在分析股价的动态变化规律,为投资者提供决策参考。
二、ARMA模型概述ARMA(自回归移动平均)模型是一种常见的时间序列分析方法,主要用于分析具有时间依赖性和随机性的数据。
该模型通过捕捉数据的自回归和移动平均特性,揭示数据间的内在联系和规律。
在股价分析中,ARMA模型能够有效地反映股价的动态变化和趋势。
三、实证研究方法与数据来源(一)方法本文采用ARMA模型对股价进行实证研究。
首先,对股价数据进行预处理,包括数据清洗、平稳性检验等;其次,根据数据的自相关函数图和偏自相关函数图,确定ARMA模型的阶数;最后,利用ARIMA软件对模型进行参数估计和检验,预测未来股价。
(二)数据来源本文选用某股票的日收盘价为研究对象,数据来源于网络爬虫采集的公开信息。
为保证数据的准确性和完整性,对数据进行清洗和处理。
四、实证研究过程与结果分析(一)数据预处理首先,对原始数据进行清洗和处理,包括去除异常值、缺失值等。
其次,进行平稳性检验,若数据不平稳则进行差分处理直至平稳。
本例中,经过一阶差分后,数据达到平稳状态。
(二)模型定阶根据自相关函数图和偏自相关函数图,确定ARMA模型的阶数。
本例中,p阶自回归项和q阶移动平均项的阶数分别为p=3和q=1。
因此,建立的ARMA(3,1)模型较为合适。
(三)模型参数估计与检验利用ARIMA软件对ARMA(3,1)模型进行参数估计和检验。
结果表明,模型的各项指标均达到显著水平,具有较好的拟合效果和预测能力。
(四)结果分析通过对ARMA模型的实证研究,发现该股票的股价具有一定的自回归和移动平均特性。
模型能够较好地反映股价的动态变化和趋势,为投资者提供了有价值的参考信息。
投资者情绪与股价波动关系研究在金融市场中,投资者情绪是一个重要的影响因素。
投资者情绪的波动可以引起股价的剧烈波动,甚至可以导致市场的崩盘。
因此,研究投资者情绪与股价波动之间的关系对于投资者来说具有重要的意义。
首先,投资者情绪是指投资者对市场的情绪态度和情感反应。
研究发现,投资者情绪往往是非理性的,并且容易受到市场噪音的影响。
当投资者情绪处于高度悲观或高度乐观时,市场往往会出现剧烈的波动。
这是因为悲观情绪会导致投资者抛售股票,从而引发股价下跌;而乐观情绪则会促使投资者大量买入股票,推高股价。
其次,投资者情绪与股价波动之间存在着相互反馈的关系。
当股价出现大幅波动时,投资者的情绪往往会受到影响,从而进一步加剧股价的波动。
这种情况在市场恐慌时尤为明显。
当市场出现连续的下跌时,投资者情绪会进一步恶化,导致更多的投资者抛售股票,从而加速了股价的下跌。
同样地,当市场出现连续的上涨时,投资者情绪会变得更加乐观,促使更多的投资者买入股票,推高股价。
然而,投资者情绪并不总是能够准确地预测股价的波动。
投资者情绪往往受到诸多因素的影响,包括市场噪音、媒体报道、经济数据等等。
这些因素可能导致投资者情绪的波动与股价的波动之间存在一定的滞后效应。
因此,仅仅依靠投资者情绪来进行投资决策是不可靠的。
为了更好地理解投资者情绪与股价波动之间的关系,研究者们提出了一系列的情绪指标。
其中,最为常用的是投资者情绪指数。
投资者情绪指数可以通过分析投资者的交易行为、舆论分析、社交媒体数据等多种方式来计算。
这些指标可以帮助投资者更好地了解市场的情绪走向,从而做出更明智的投资决策。
此外,一些研究还发现了其他与投资者情绪相关的因素。
例如,市场的流动性状况和投资者情绪之间存在一定的关联。
当市场的流动性较低时,投资者情绪往往更容易受到影响,从而引发股价的波动。
此外,一些研究还发现了投资者情绪与市场交易量之间的关系。
当投资者情绪处于高度悲观或高度乐观时,市场的交易量往往会增加,从而进一步加剧了股价的波动。
随机波动模型在金融市场研究中的应用金融市场的波动性一直是投资者们关注的焦点。
在这个波动的世界,随机波动模型成为了一种重要的研究工具,它可以帮助投资者更好地预测和管理市场波动。
本文将从理论、应用以及局限性三个方面来介绍随机波动模型在金融市场研究中的应用。
一、理论随机波动模型作为金融市场研究中的数学模型,致力于解决市场波动的随机性和非线性问题。
它由布朗运动模型演化而来,是一种广义随机过程。
随机波动模型最基本的形式是几何布朗运动,它可以表示为以下微分方程:dS(t) = μS(t)dt + σS(t)dW(t)其中,S(t)表示股票价格;μ是股票价格的平均年回报率;σ是股票价格波动的标准差;W(t)是布朗运动过程。
通过这个微分方程,我们可以计算出不同的股票价格波动情况,并进行风险评估。
二、应用随机波动模型在金融市场研究中具有广泛的应用,下面将介绍其中的几个典型案例。
1. 期权定价期权是金融市场中的一种金融衍生品,其价格是由市场交易者根据市场情况和预期的股票价格波动而进行预测。
随机波动模型中的期权定价公式是黑-斯科尔斯模型,它通过利用随机过程来预测股票价格,从而为期权定价提供了重要的理论基础。
2. 资产组合管理资产组合管理是投资者们进行风险管理的重要方法。
通过随机波动模型可以预测股价和股价波动,进而进行资产投资组合管理。
随机波动模型能够帮助投资者识别和分析股票市场中的风险,从而制定出更合理的资产投资组合策略。
3. 风险管理金融市场的波动性使得风险管理成为投资者们必须处理的问题。
通过随机波动模型可以精确地预测资产价格和波动性,从而使投资者能够更好地管理风险。
三、局限性虽然随机波动模型在金融市场研究中有着广泛的应用,但是它也存在一定的局限性。
1. 分布假设问题随机波动模型在研究股票价格波动时,一般采用的是正态分布假设。
但是,实际情况下股票价格的分布可能并不服从正态分布,这种分布假设问题使得随机波动模型的预测结果存在一定的误差。
金融市场波动性的预测模型及算法金融市场中的波动性是指市场价格的波动,是衡量市场风险的重要指标。
波动性的提高意味着投资者面临更大的风险,同时也可能提供更多的机会。
因此,对波动性的预测成为了投资者追求高收益和降低风险的重要工具之一。
本文将介绍金融市场波动性预测的模型及算法。
1. 历史波动性模型历史波动性模型是波动性预测的最简单模型。
它基于历史价格的波动情况,通过计算历史波动率来估计未来的波动率。
历史波动率通常由实际波动率和隐含波动率两种方式估计。
实际波动率是指最近一段时间内的实际波动情况,常用的计算方法是对数收益率的标准差。
隐含波动率是指根据期权价格反推出的市场对未来波动率的预期。
尽管历史波动性模型简单但不代表精度不够。
在实践中,历史波动率模型在预测上表现出了一定的可靠性。
但其无法应对市场中的意外事件,这种模型只能给出短期趋势的预测,长期预测要考虑因素更多。
2. GARCH模型ARCH模型是在历史波动率模型基础上对波动率进行预测的最早模型。
ARCH 模型是自回归条件异方差模型,用过往价格数据来预测未来波动率。
而GARCH模型则在ARCH条件下加入了对过去波动率的修正。
GARCH预测模型是自回归模型和移动平均模型的组合,可以将过去的实际波动率、历史波动率和隐含波动率加以考虑和修正。
GARCH模型通过对过去波动率的分析,来估计未来的波动率。
GARCH预测模型的实质是通过多项式拟合算法,以最优化的方式来预测市场波动率,因此与历史波动率模型相比,GARCH模型的预测精度更高,更加容易应对短期市场事件。
3. SV模型SV模型全称是随机波动率模型,是由Hansen和Lunde在2005年创立的波动率预测模型。
与GARCH模型不同的是,SV模型不采用确定性的固定波动率代表所有时期的波动率,而是将波动率本身也视为一个随机过程,并且波动率随着时间变化而变化。
因此,SV模型可以更好地反映市场波动率的变化,在短期内预测更加准确。
金融市场波动的随机微分方程模型研究随着金融市场的不断发展和深化,金融市场的波动也越来越频繁和剧烈,这就要求我们必须采用更加科学和精准的方法来研究和预测金融市场的波动。
其中,随机微分方程模型被广泛运用于金融市场的波动研究和预测。
一、随机微分方程模型的基本概念随机微分方程模型是一种对随机过程进行建模和分析的方法,它是微积分和随机过程理论的结合,可以用来描述金融市场中的波动和变化。
它的基本形式为:dX(t) = μ(t,X(t))dt + σ(t,X(t))dW(t)其中,X(t)表示某个随机过程(在金融市场中,通常表示为股价、汇率等),μ(t,X(t))和σ(t,X(t))分别表示该随机过程的漂移项和扰动项。
dW(t)表示随机过程中的噪声项,称为Wiener过程或布朗运动。
二、随机微分方程模型的应用采用随机微分方程模型,我们可以建立出金融市场中股票、外汇等重要金融工具价值的模型,进而对这些工具的价格进行预测和分析。
其应用之广泛,涉及到金融衍生品、风险管理、投机和养老金基金等多个领域,具有很高的价值和实用性。
三、随机微分方程模型的优劣势1.优势随机微分方程模型广泛应用于金融市场中的波动研究和预测,主要优势包括以下几个方面:(1)能够考虑波动的非线性特征和随机性,比传统方法更加符合实际;(2)可以识别波动的周期和趋势,有利于制定更加科学的投资方案;(3)可以为资产定价等决策提供科学、合理的量化支持。
2.劣势随机微分方程模型也存在一些不足之处,主要表现在以下几个方面:(1)随机微分方程模型建立比较复杂,需要大量的数学理论和相关软件支持;(2)需要考虑很多的因素(包括基本面因素、技术面因素、市场情绪因素等)才能取得比较准确的结果,具有一定的不确定性;(3)随机微分方程模型需要大量的计算和时间,对计算机性能要求比较高。
四、随机微分方程模型的展望随着金融市场的不断发展和深化,随机微分方程模型的应用将更加广泛,越来越受到投资者、风险管理者和学术研究者的重视。
股价波动模型的研究2015年4月14日基础背景1.1.我国股市的诞生1984年,当时中国人民银行研究生部20多名研究生发表了轰动一时的《中国金融改革战略探讨》,其中第一次谈到了在中国建立证券市场的构想。
1984年11月18日,中国第一个公开发行的股票——飞乐音响向社会发行1万股,在海外引起比国内更大的反响,被誉为中国改革开放的一个信号。
1986年9月26日清晨,南京西路1806号门口被围得水泄不通,投资者蜂拥而至。
当时在柜台交易的股票只有2家,飞乐音响公司总股本50万元,延中实业公司总股本500万元,总共只有550万元。
开市第一天交易到16时30分收盘,共成交股票1540股,成交金额85280元。
这一天对于中国资本市场来说是一个重要的日子,中国第一个证券交易柜台——静安证券业务部开张,标志着新中国从此有了股票交易。
从静安证券交易柜台到上海证券交易所,中国的股市就此已经走了20年。
1990年11月20日,上海证券交易所成立,同年12月19日正式营业。
1990年12月1日,深圳证券交易所成立,且当日开业,为保险起见,前面加一“试”,又叫试营业。
1991年7月3日,举行正式开业典礼。
当时的一位设计者的评论说道:“历史在为未来奋斗的时候总是高尚和纯洁的,当年设计者所构想的证券市场只有一个榜样——欧美,欧美股市是完全市场化的结果,是最精明的商人之间的活动,而中国的历史现实却决定了中国的股市一开始就带着太多的政府色彩。
”这为后来的政策市以及国企圈钱埋下了伏笔。
1991年8月,中国证券业协会在北京成立。
1992年5月21日,上海股市交易价格限制全部取消,股市交易价格开始尝试由市场引导。
仅仅3天,股票价格就一飞冲天,暴涨570%!其中,5只新股市价面值竟狂升2500%至3000%!1992年10月12日,国务院证券委员会及其执行机构中国证券监督管理委员会成立。
全国人大也开始讨论要不要制定《证券法》。
管理层开始实施以“打压”为主的监管。
1996年12月16日经中国证监会同意,上交所和深交所决定从既日起,对在该两所上市的股票、基金类证券的交易实行价格涨跌幅10%限制并实行公开信息制度。
当天,沪深两市均跌满10%,大部分股票被巨大的卖单封死在跌停板上。
1999年7月1日《中华人民共和国证券法》正式实施,标志着集中统一的监管体制建立,也标志着我国证券市场法制化建设步入新阶段。
1999年12月5日,STAQ系统在北京人民大会堂举行开通典礼。
这样,加上上海和深圳两个证券交易所开业就标志着中国证券市场诞生。
1.2.中国股市各阶段出现的重大事件1990.12-1992.11阶段的8·10事件:深圳市宣布当年发行5亿股公众股,发售500万张抽签表,中签率为10%,每张抽签表可以购1000股。
在大牛市中,新股是市场的宠儿,如何公平公正地发行确实不是件容易的事儿。
由于每张身份证可花100元买一张抽签表,不仅全国各地大量的身份证寄往深圳,据说上百万外地人涌入了这个常住人口只有60万的城市,各售表机构门前提前3天就有人排队。
到了8月9日早上,排队人数可能已达100万,当天晚上9时,500万张抽签表售完。
未获得抽签表的人群目睹了种种不公正和腐败行为后涌向市政府。
午夜12时后,警察与示威者发生冲突,到处是石块、汽水瓶、催泪瓦斯、水炮、电棍,汽车、商店被烧被砸,混战持续了4个小时。
事后调查,至少有10万张以上的抽签表被内部藏留私买,涉及金融系统干部职工4000多人。
因为“8·10”事件,深圳市场是够得上“关门”条件的,尽管深圳市场没有关门,却从此元气大伤,直到1996年才打起精神再度与上海竞争。
“8•10”事件发生后,国务院紧急做出反应,决定成立专门的证券监管机构。
由此,产生了由13个部位组成的国务院证券委,另成立中国证监会,负责日常监督和决定执行。
于是证监会于当年10月26日成立。
1992.11-1994.07阶段著名的“四大政策”,又称作“四不政策”救市。
国有股、法人股年内不上市;股票转让收益所得税年内不征收;55亿新股发行额度相当部分要推迟到明年上市;积极建立投资基金组织和发展机构投资者。
对于上述“四大政策”,在开始股市给了政策一点面子。
沪市单日成交超过50亿,股指劲升70点,市场高潮迭起,行情再旺。
深市也出现强劲反弹之势,综合指数上涨,成交金额放大。
不过,这段活跃的行情仍是短暂的。
这些利好消息起码显示了管理层想活跃市场的决心,但并没有实质解开投资者的疑惑,市场积弱难返,稍稍表示了一下后仍然我行我素,沿下降通道滑行。
1994.07-1995.05阶段的“三大救市政策”,该三大政策是中国证监会与国务院有关部门就稳定和发展股市做出的决策,其具体内容为:今年内暂停新股发行与上市;严格控制上市公司配股规模;采取措施扩大入市资金范围。
加上此前的“四不政策”,也开始被市场认为是利好因素。
于是,股市终于汇集成一股强劲上升洪流。
此论行情可细分为两个阶段,第一阶段,是333点至700点,个股全线普涨,不管盘大盘小,低价高价,见股就买,买了就涨的地步。
成交量持续放大,至8月末突破777大关。
连当时的超级大盘股如马钢、上海石化都有惊人的涨幅。
第二阶段,是700点至1052点。
此时个股已有明显变化,暴涨的主要是上海本地股,异地股只是偶尔活跃下作为陪衬,大盘股不涨反跌。
由于开始杀入的资金,是非专业投资机构,他们并没有什么长期投资打算。
因此,在第二阶段时便撤离股市,造成后续资金紧张。
在行情的第二阶段,基本面平淡无奇,但由于市场惯性,仍有不断杀入的外围资金,把大盘从777点推向1052点。
从政策上说,行情的直接导因是政策利好。
最后,终因机构大户获利退出,盘整日久,于是大盘一触即溃。
1999.05-2001.06阶段“5.19”行情:5.19行情至今给人最深刻的印象有两点:一是行情爆发得非常突然,上涨过程极为猛烈,短期内巨大的涨幅释放的财富效应十分显著;二是在大幅上涨以后得到管理层"恢复性行情"的高度评价,是极为罕见的。
行情爆发的一些背景因素也慢慢为人知晓,虽然有利用政策和资金人为制造牛市的感觉,但是相对于两年以后国有股减持对股市造成的巨大冲击而言,5.19在政策推动的同时,也有市场本身调整较为充分,经济增长和资金宽裕,乃至海外网络科技股热潮影响等合理的上涨理由,因此还比较容易让人接受。
此番网络概念股的强劲喷发,将上证指数推高到了2245点的历史最高点。
一年后的2000年7月份,上证指数还是突破了2,000点,11月23日,又创下2,125点新高。
但比起指数来,当年最富戏剧性的是一只名为亿安科技的股票冲上了一百元。
这只股票原名深锦兴,1999年6月亿安集团成为它的第一大股东后,更名为亿安科技,这只流通股仅有3,529万股的小盘,业务范围涉及数码科技、网络工程、生物工程、电子通讯、电动汽车、新能源和纳米技术等等,几乎把当年的全球高科技概念一网打尽。
2005.06之后的阶段震动全球的“2·27”行情:2007年2月27日,农历正月初十。
在民间,这天被称为“石头节”,习俗是忌动石器,不搬石头。
但就是这一天,大盘像一个从悬崖上滚落的巨石,沪深股市遭遇十年来最大跌幅,沪指跌幅接近9%,深指几乎跌停,800多只个股达到10%跌停限制位,A股市值一日蒸发逾万亿。
至今,这场新年股灾仍没有被找出让人信服的理由。
市场人士各方专家在事后评论2·27时,几乎均称:“大跌是市场本身的调整需要。
第二天,《人民日报》第六版左下角出现了关于股市暴跌的“豆腐块”小文章,文章称此次下跌是股市的“倒春寒”。
但这个“倒春寒”迅速席卷了全球股市。
香港股市迅速做出反应:当天恒生指数单日最大跌幅超过465点。
紧接着,欧洲股市出现全线下跌,跌幅最高达2.64%。
当晚,在美国股市开盘后,即开始了触目惊心的暴跌过程,道琼斯指数跌幅为3.29%。
全世界股市数十万亿美元的市值随着股指的暴跌而灰飞烟灭。
1.3.股价波动特征股票的市场价格是由股票的内在价值决定的,股票的内在价值是由股票预期收益流量的现值决定的。
由于股票资本的虚拟特点,其市场价格经常与其内在价值分离。
偏向性特征是指就总体表现和长期历史趋势来说,股票价格总体上呈现不断向上增长的特征。
长期总体向上的趋势主要是由处于生命周期上升阶段的公司以接力方式形成的对股市连续推动力,也就是说,一方面,股票市场价格的总体上升主要是由上市公司中处于生命周期上升阶段的公司所推动,另一方面,该推动的历史过程以接力方式展开。
股票市场价格波动的偏向性特征,最集中地体现了自由市场经济的强大生命活力。
这一点也是偏向性特征背后所蕴含的最深刻的哲学内涵。
市场竞争是股票市场价格波动获得偏向性特征的基础。
股价波动的偏向性,是以大量企业在激烈的市场竞争中被淘汰为代价而获得的。
不确定性特征是指股票未来价格难以准确确定。
但是这种难以准确确定并不意味着难以描述,利用统计学和数学工具可以描述股票价格的变化规律,预测股票未来价格的波动范围。
最新的资本市场的混沌分形理论研究认为,股票价格收益波动并不遵循随机正态分布,而是服从有偏随机行走,股票的价格不但具有短期相关性,而且也具有长期相关性,其根本原因在于信息的扩散不是即时的,需要有一个过程;投资者对信息的反应也因为投资机会的变化而滞后;投资者心理上的从众因素;企业和个人资产增长的马太效应,好的企业可继续获得投资,因而会更好,差的企业会更差。
跳跃性特征是指股票价格运动具有的以较短的交易时间完成较大的运动距离的特性,是股票价格运动中突变形态的表现,是一种非均衡性运动的表现。
股票价格运动的跳跃性特征最突出的市场表现是:运动起始与终结的突发性特征和运动的急速性特征。
股价运动跳跃时的突发性使股价的跳跃运动具有完全的不可预见性。
如果股价的跳跃运动能够被市场察觉,则跳跃运动本身就根本不可能发生。
股价运动跳跃时的急速性使股价的跳跃速度能够超越市场绝人多数投资者的反应时间。
周期性特征是指股票价格波动的频率具有相对稳定的重复性的特征。
周期性特征是股票市场价格波动特征中最显著,也是最广泛地被投资界所研究的特征。
心理性特征是指股票市场价格波动受到市场心理因素包括投机心理的强烈影响的特性。
由于股票市场心理性因素的影响,使股票市场价格波动产生了某些独特的波动现象。
这些波动现象只能通过市场心理因素才能得到合乎逻辑的解释,而很难用其他非心理因素来加以解释。
中国股市概览2.1.中国股市特点浓厚的“政策市”色彩:中国股市受政策和制度供给的影响严重,每项制度供给都加大了股票价格指数的波动幅度,甚至改变股票价格指数原有的运行轨迹方向。
在这种意义上,中国股市应被看作是“政策市”。
从中国股市的波动历程看,第一波形成的直接原因是取消涨跌停板规定,改变了交易制度;第二波则是源于邓小平同志南巡讲话,对股市有了基本的定性;第三波起源于中国宏观经济快速增长,房地产热等泡沫经济的出现;第四波起源于政府出台的三大“救市”政策;第五波最直接的导火线是国家暂停国债期货交易;第六波是政府在八届人大四次会议首次将股票市场列入“九五”计划,宏观经济趋于好转,中国人民银行几次下调存贷款利率;第七波源于随着利率的连续下调,宏观经济趋于扩张,以及香港回归等题材;第八波是新一届国家领导人上任,实行新的财政货币政策,利好消息频传;第九波是中国面临百年不遇全流域洪灾,以及东南亚金融危机结束为导火线;第十波是国有股减持。