一、中国石化稳定大盘（论文文献综述）
南春雨[1]（2021）在《资本思维提升上市公司资本经营》文中进行了进一步梳理如何看待市值演变?如何做好市值管理?非常高兴能够来到轩辕之学和各位同学、各位老师交流,和君资本很多时候是围绕上市公司做事情,平常我们辅导上市公司的市值管理,同时对资本市场的市值也有很多研究,今天受贾可校长的邀请和大家分享一下我们对市值的看法,可能相对来说距离市场更近一点。
曾宇轩[2]（2021）在《基金经理改变基金风格的动机与影响 ——以华夏大盘精选为例》文中认为我国基金行业萌芽于1992年,截至2020年12月,国内公募基金数量为7319只,管理资产规模达到182860.88亿元,其中开放式基金数量为7236只,管理规模为180995.54亿元。经过短短20余年,基金行业已成为资本市场中重要的一环,一方面满足了投资者的投资需求另一方面也提升了资本市场的稳定性。在2020年的牛市中,很多基金凭借其远超市场指数的收益,吸引了众多投资者的目光,许多个人投资者更是愈发疯狂地追逐“明星基金产品”。在竞争处于白热化阶段,头部效应愈发明显的基金市场中,基金经理不得不使出浑身解数来取得更好的收益,这样的行为在为投资者带来高收益的同时也带来了风险,由于信息的不确定性,基金经理和基金投资者存在的委托代理关系会促使基金经理偏离宣传的投资路线,转而进行更加偏激的投资策略,而当前资本市场的非有效性和投资者对于基金绝对收益的追捧助长了此类行为。庞大的行业规模和缺乏对基金经理行为有效的监管凸显出基金行业改革的重要性,在2020年监管层也提出了关于加强基金公司管理的多项政策及法规,希望通过加强对基金从业人员的教育以及实施更加完善的管理制度来推动行业规范性,维护保障投资者的利益和市场稳定。目前有关基金风格的研究大多集中于基金风格是否发生了偏移,而关于风格偏移的动机和其带来的影响讨论较少,且针对个例进行分析的案例研究也很少,基于此情况,论文选择华夏大盘精选混合基金作为案例研究对象进行分析,通过对各个经理的投资策略及他所处的环境进行分析,来探究其改变基金风格的动机,改变风格后基金业绩受到的影响,希望在填补相关研究空白的同时为政府监管层、基金公司、广大投资者提供新的思路。论文分为五部分。第一部分是导论,呈述当前基金行业发展情况,探讨了论文的研究意义、研究内容与研究方法。第二部分是理论基础与文献基础,概述了当前关于基金风格、资产组合定价理论、委托代理理论和行为金融学的研究成果,这些理论和研究成果为分析基金经理改变基金风格的动机提供了思考方向。第三部分是案例介绍,该部分描述了案例对象的大致情况,让读者对整个案例有简单的了解。第四部分是案例分析,也是论文的核心。该部分使用了多种方法对基金风格进行判定,在发现部分经理的投资风格出现偏移后,从多个角度对基金经理改变原有投资风格的行为动机进行探讨,最后使用事件分析法和TM-FF3模型分别对基金中短期业绩和长期业绩进行评价。第五部分是案例结论及建议,本文提出四点结论:（1）华夏大盘精选混合基金内部存在明显的风格偏移现象。（2）经理改变基金风格的动机与外部环境和自身因素有关。（3）经理上任后会给基金中短期业绩带来改变,中短期业绩较好的经理通常长期业绩更优。（4）遵守宣传风格的经理业绩更加稳健,长期业绩与管理时间有关。最后通过对案例分析的梳理并结合当前中国资本市场环境,从监管层、基金公司、投资者三个角度提出建议。
刘薇[3]（2021）在《基于深度学习的股票数据挖掘方法及其应用》文中研究指明金融科技是利用人工智能技术对金融数据进行挖掘并为金融市场提供服务的研究领域,其中股票数据挖掘是研究重点之一。随着股票系统电子化,股票市场时刻产生海量的数据。但是由于绝大部分投资者无法专业地对股票数据进行分析,故易受股市舆情影响,投资时缺乏交易策略,导致其损失惨重。因此,有效地进行股票数据挖掘能够引导投资者活动,促进股市健康发展。本文重点研究股票数据挖掘方法和应用,针对不同类型的股票数据,分别研究股市舆情分析方法和股票交易策略模型,提高方法的有效性和可靠性,并搭建“上证50”股票数据挖掘系统。本文主要内容包括以下几个方面:1.提出基于FinBERT-CNN的股吧评论情感分析方法:针对股吧评论信息数据,提出通过FinBERT预训练模型进行语义特征学习,同时结合卷积神经网络进行局部特征学习,解决股吧评论标注数据集缺乏和特征提取单一的问题,从而提高模型的准确性。2.提出基于深度Q网络的股票交易策略模型:针对股票行情数据和评论信息,研究基于动态阈值的股票买卖点判断方法,提出基于深度Q网络融合的框架构建股票交易策略。同时,将评论数据情绪量化并融合到股票状态空间表示中,解决现有交易策略模型数据单一的问题,提高策略的稳定性,降低投资风险。3.构建“上证50”股票数据挖掘系统原型:根据海量股票数据挖掘的需求,实现基于RPA的“上证50”股票数据挖掘系统原型,设计股票信息搜索引擎、股票舆情分析、股票买卖点判断和投资组合功能,达到较好的股票数据挖掘效果。利用不同类型的股票数据进行分析挖掘,辅助投资者交易,促进市场健康地发展,是金融科技研究领域的研究目标。本文研究不同任务的股票数据挖掘方法,提出的股吧评论情感分析方法和股票交易策略模型较现有研究更优,构建的“上证50”股票数据挖掘系统也可用于辅助投资者投资决策。
张磊[4]（2020）在《基于支持向量机的股票市场趋势分析及预测研究》文中研究表明随着经济水平的提高,股票市场大有愈演愈烈之势,越来越多的人投入到了股票预测的研究之中。然而影响股票的因素众多,包括金融政策,市场环境,经济周期,甚至是人为操纵的因素,如何抓住众多的影响因素找到一个对股票预测行之有效的方法,是众多专家学者研究的热点。在众多的股票预测方法中,支持向量机是一个不错的机器学习方法。本文就支持向量机在股票预测上的应用展开研究。首先在上证和深证系列股票中随机选取了各行各业总共24支个股,并辅以上证指数和深证指数,通过在选取股票上取得的较好的预测效果从而推广到整个股票市场中。技术方面,本文以模型的预测正确率和平均拟合偏差作为衡量模型预测性能的标准,通过特征工程构建合适的特征变量并借助主成分分析的方法对输入变量进行降维处理来消除变量间的多重共线性,同时能够提高模型的速度,构建支持向量分类机和支持向量回归机结合回归拟合与股票涨跌分类共同对股票进行预测以及在支持向量回归的基础上构建股票投顾策略模型在构建模型的同时不断探索合适的时间滑窗,尝试包括遗传算法和粒子群算法等不同的参数优化方法,以求尽可能优化模型的预测性能。在模型优化的同时,挖掘搜索热度以及新闻情感,通过自然语言处理技术尝试找到与股票历史走势的关联从而构建更好的情感特征,进一步提升支持向量机模型的预测性能。本文还势图构建多核支持向量机进一步提升模型效果,最后通过对“牛市”和“熊市”的划分尝试在不同阶段构建对应的支持向量机,找到适应不同场景的支持向量机模型,从而达到对股票更好的预测效果。实证分析发现,通过主成分分析降维,能让支持向量机模型在略微的预测正确率损失情况下其运行速度得到巨大的提升,同时发现支持向量机对于预测股票的最佳时间滑窗为3,支持向量分类和回归的结合能提升模型3%-4%的预测准确率;在参数优化方面,遗传算法和粒子群算法在模型迭代次数,运行时间和预测准确率三个方向上都全面领先普通的网格搜索法,同时通过构建合适的新闻情感特征也使得模型的预测准确率进一步提升;另一方面股票投顾策略能帮助投资者进行股票组合的选取,给投资者带来更多的收益,多核支持向量机能够在可以接受的速度牺牲下提升模型的性能;研究最后还发现分别在“牛市”和“熊市”构建的支持向量机模型要明显优于“盘整期”,特别是在搜索热度指数的加持下。通过本文的研究,希望不断优化的支持向量机模型能够给众多投资者和政府部门带来一定的指导和参考。
刘昱[5]（2020）在《基于相对价格的沪深300股票投资组合研究》文中提出中国股票市场是我国居民进行金融投资的重要渠道,已经成为社会主义市场经济的重要组成部分。但是追涨杀跌等非理性投资行为依旧普遍存在。而股市中正确的投资理念和科学的投资方式是保障投资者根本利益的基础,所以本文就此展开了既能分散非系统风险又可规避系统性风险的投资策略的研究。本文在股票相对价格的基础上建立股票投资的风险控制体系,确定股票投资风险是大盘指数风险和各股相对价格的风险之和,所以分别从现货和期货市场的角度出发,在现货市场中,构建最优的投资组合模型,在期货市场中实施合理的投资方式与策略。最后分别在现货市场和期货市场投入资金,对风险控制在一定范围内获取最大收益进行了实证模拟研究。本文在对现货市场的投资组合研究时,首先探讨时间序列建模法,对沪深300样本股票的相对价格收益率进行时间序列建模,通过建模结果得知AR模型、ARMA模型、GARCH（1,1）模型能对相对价格收益率序列进行良好的拟合。其次,在假设相对价格对数服从正态分布平稳过程条件下,得到相对价格条件下的Va RS和伽马选股指标,依据股票配置的制度约束条件,构建了—(1(6投资组合模型,半月调仓一次的实际模拟表明:该模型的投资组合收益率能显着跑赢大盘。本文在对期货市场进行研究时,先对大盘指数的牛市熊市转换点进行了研究,在姚芳学者构建的大盘牛熊判别模型的基础上,通过更换模型指标及参数进行改进,得到新的大盘牛熊判别模型,并将其运用到投资组合之中,即:在熊市期间全程套期保值,在非熊市期间对沪深300股指期货IF1803和IF1801每五分钟的高频数据通过差价序列建立GARCH模型,并根据价格条件Va R方法对该套利模型的风险测算,引入失败率的指标判断套利模型构建的有效性,最终显示模型风险控制较为合理。根据实际股市情况可知,2018年全年几乎处于熊市时期,所以对2018年全年进行投资策略的实证模拟研究。根据大盘牛熊判别研究结果,在现货市场中从第一个交易日起构建投资组合模型,牛市时不频繁调仓,牛市结束后以半月为周期频繁调仓;在期货市场中,牛市阶段根据最佳套利点模型进行套利操作,熊市时沽空沪深300期货合约对现货投资组合进行套期保值。将大类资产配置制度化作为风险管理的约束机制,严格控制现货市场与期货市场资产配置比例在1:0.15～1:0.25之间,投资策略可获得最佳累计收益率,不仅可有效的控制风险,避免机构进行非理性投资,还能获得更为可观的收益。
吕明磊[6]（2020）在《A+H股的套利交易策略 ——基于三状态均值回复模型》文中提出A+H股是指同时在香港联交所和沪深证券交易所上市的公司证券,随着“沪港通”和“深港通”开通,投资者可以通过其买卖包括A+H股上市公司的股票,越来越多的投资者开始寻找着A+H股的套利机会。对于同一家公司的A、H两类股票,理论上“同股同权同价”,实际上由于两地资本市场的政策环境、交易制度及投资者结构等不同,交易价格往往有较大差异,但由于其属于同一个公司,其盈利情况和风险因子等因素相同,A、H两类股票价格走势理应存在着高度的相关性,它们之间很可能存在统计套利机会。截止2019年5月,A+H股上市公司已有112家,可进行融资融券业务的有85家,我们能否基于这些标的进行获利呢?本文研究内容是从时变的随机价差理论的视角来拟合A+H股的价差序列,动态选择A+H股配对组合的交易标的,从而设计有效的交易策略进行套利,并基于合理的绩效指标验证策略的有效性。本文研究发现:A+H股存在折（溢）价现象,以及高度的相关性与协整性,这证明了A+H股存在统计套利的可能;另一方面,A+H价差序列除了表现均值回复特性外还存在着大量跳跃行为,由于两市对信息的传导机制不同,会造成跳跃的异步性,从而价差序列体现出一种“尖峰”现象,对于A+H股价差序列这种跳回复特性,马尔可夫状态转移模型是很好的刻画工具。对此,本文初筛了45家在沪港通开通前上市且具有融资融券业务的A+H股,将其2017年1月至2019年6月的人民币计价股价序列处理成去趋势的对数价差序列用于捕捉个股的性质和套利交易信号;然后,构建三状态均值回复模型对价差序列金融特征进行刻画,将价差分为三个状态,分别是:A股与H股相对稳定的base状态、A股比H股偏离相对高的spike状态、H股比A股相对高的drop状态,然后以反向杠杆效应参数γ代表稳定性、均值回复速率参数β代表跳跃回复速度以及各状态均值差代表套利幅度,针对三种参数每期选择三对投资标的进行交易,交易信号借鉴上一期的三个状态均值和标准差。之后对策略进行有效性评价,考虑融券费用成本进行回测,交易策略总胜率为75%,累计收益率为23.97%,证明本文设计的交易策略有效,同时也对交易策略为投资者做了风险提示。本文还发现,沪深港通运行前上市的A+H股套利机会越来越少,这可能代表A+H股配对套利交易行为已经存在,也间接证明沪深港通机制有效促进A+H股两地股市联通、有效缓解两地股市分割。最后,笔者就文章的不足之处提出了改进与展望。
胡林云[7]（2020）在《基于行业轮动策略的多因子选股模型实证研究》文中提出上世纪八十年代,随着金融自由化的蓬勃发展,以及对现代金融理论逐渐深入的研究,金融工程应运而生,其借助庞大而先进的金融信息系统,重新构造、拆解与组合现有的金融数据状况,并通过建立数学模型、网络图解、仿真技术等方法来设计开发金融产品,而量化投资作为金融工程的一项重要应用分支,在当今的策略研究和产品开发中起着重要的作用。策略研究通常会从选股和择时两方面进行,常见的选股策略有因子选股、筹码选股、风格轮动等,而自2004年美林投资时钟理论提出以来,行业轮动策略成为资产配置领域研究的热点。随着我国资本市场的不断完善,该策略应用在各大基金公司的产品中能够取得不错的收益。实际上,资产配置是一门非常复杂的学问,由于行业配置可针对大类资产、股票、以及证券投资基金,在众多机构,尤其是基金公司和券商资管,都在积极地探索我国A股市场的行业配置法则,由于经济周期能够反映整个经济体的流动性,在行业阶段之前首先要进行宏观经济的判断,本文目的在于通过结合宏观经济和量化投资的相关分析技术完成一轮自上而下的分析,达到完成股票配置策略来验证所提出的假设。本文通过结合投资组合理论、宏观经济学、信号处理再和量化选股的方法,分别构建多因子选股策略和行业轮动策略并进行回测检验。首先依据已论证的投资经验及理论确立投资逻辑,基于Wind公司旗下的万矿量化平台,选取了2016年至2019年的全部A股上市公司的财务数据,技术指标数据以及估值数据,建立了一个以估值因子、财务质量因子、成长因子、规模因子、资本结构因子、动量因子以及换手率因子所构成的因子库。然后对数据进行预处理、筛选出有效因子构建多因子模型和行业轮动模型。在构建行业轮动策略时,本文首先使用信号处理的方法识别库存周期长度,然后根据CAPM模型理论将申万28个一级行业划分为周期性与非周期性行业,接着将工业增加值作为需求端指标,工业产成品库存作为供给端指标从而划分最近一轮的库存周期。在划分好的周期阶段对行业进行相应的配置,在进入被动去和主动补库存时配置周期性行业股票,在被动补和主动去库存阶段配置非周期性行业股票从而建立基于行业轮动的多因子选股模型,将前后两个模型的绩效指标和中证800对比,将2016年2月至2019年3月作为模型样本回测期,构建行业轮动策略和多因子模型结合得出以下结论:（1）根据估值、财务质量、成长性、资本结构和技术指标等多个维度选取的39个候选因子测算发现,多因子模型中市盈率、市净率、市现率、ROE以及换手率等6个因子较为有效构建行业风格固定下的多因子策略累计收益率为45.98%,年化收益为13.09%,取得了较好的收益;（2）使用快速傅里叶变换观察到频点附近有明显的能量聚焦,验证了中国股票市场短周期集中在41.37个月,并基于工业增加值和工业企业产成品存货作为指标划分库存周期分别计算出各个阶段的因子占优情况,构建的基于行业轮动策略多因子模型获得累计收益率为83.91%,年化收益为21.91%。两个策略都战胜了基准收益率的22.54%和基准年化收益率为6.62%;（3）多因子整个模型期没有选出有色金属、国防军工和通信这三个行业的股票,较为集中的直接原因就是没对行业风格固定下的多因子选股模型进行不同时期进行不同行业配置的这一操作所致。
丁婷婷[8]（2020）在《基于事件驱动的量化选股策略研究 ——以“一带一路”主题为例》文中提出随着计算机的进步和人们投资理念的发展,相较于传统的依赖于个人的观察和操作来进行定性投资的方式,量化投资方式由于其自身的科学与理性成为越来越热门的投资方式,广泛使用于投资领域之中。而事件驱动型投资策略作为量化投资的一个补充策略,是寻找某一特定事件发生后对于股价的影响。作为主流策略之一,事件驱动型投资策略在投资界有着亮丽的市场表现。目前市场上常见的事件驱动型策略大都是针对微观事件（个股事件）,比如高管增减持、股权激励、重组并购、限售股解禁等个股事件。但是缺少针对宏观事件和中观事件的事件驱动交易策略。本文则选取研究较少的政策型事件投资主题“一带一路”作为驱动事件的研究对象,创造性的将机器学习选股模型应用到事件驱动型投资策略之中,用于构建一揽子的事件型主题投资股票组合。本文首先对本文选取的样本事件进行分析。通过事件研究法,以2013-2018年发生的“一带一路”事件为样本,研究相关主题事件出现时,上市公司的股票价格是否因此事件的发生而生出变动,出现异常报酬CAR的问题,并运用统计分析的方法对事件的显着性进行检验。研究结果表明,分析发生“一带一路”主题事件时,相关股票会有显着为正的超额收益率,验证了相关事件的公司股价在短期内可以获得超过大盘指数的收益率的猜测。然后以2019年3月25日发生的具体“一带一路”主题事件为驱动事件样本,构建支持向量机、随机森林、神经网络三种分类模式识别的机器学习模型,并对模型进行不同方法的优化,再通过对比分析三种模型对涨跌分类的命中率以及构建股票组合的回测收益,最终确定使用遗传算法优化的BP神经网络模型作为本文的量化选股模型,从该主题事件中寻找可以受益的公司进行投资,并构建一揽子的事件型主题投资股票组合。最后通过总结前面两条研究结果,构建事件驱动交易策略方案,并以2019年发生的七件“一带一路”主题事件作为事件样本进行仿真交易,并带入历史数据进行回测,并从收益、风险及综合业绩表现三个维度构建多种评价指标,验证最终构建交易策略的有效性问题。计算结果显示,本策略投资组合相较于大盘指数收益更好,风险稍高,综合业绩表现更好。本文最终构建的事件驱动交易策略是一种短期投资策略,其对事件驱动策略的研究框架和研究结果可以作为投资者做出投资决策的辅助工具,为投资者在研究事件驱动策略方面提供一种新的投资思路和选择。
刘青山[9]（2019）在《A股定盘星——央企上市公司市值管理分析研究》文中进行了进一步梳理国务院国资委主任肖亚庆两会期间表示,中央企业控股境内上市公司290户,市值达到了11.1万亿,占境内A股市场总市值的20.66%。Wind提供的数据显示,截至2018年5月31日,央企作为第一大股东的境内（即在上海、深圳两地上市）上市公司共有320家。近几年,央企的市值管理水平不断提高,反映在市场上,有一系列的显着表现:盈利能力大幅提升、相对市值增长明显、分红更加积极。
邓俐伶[10]（2019）在《基于跳跃、共跳的波动率预测研究 ——来自高频金融数据的证据》文中研究指明金融市场的波动率是影响资产定价、投资组合策略和风险管理的重要因素,也是国内外学者和金融实务从事者研究的重要课题。资产价格的异常波动不仅直接威胁国内金融市场的稳定与经济社会的发展,而且容易引发系统性金融风险。随着改革的不断加深和衍生产品的开发,我国市场虽然具有巨大的发展潜力,但面临的各种不确定性因素也越来越多。如何对波动率进行估计和预测,从而有效地应对各种金融理论和实务问题,是控制和防范潜在风险,维护我国金融体系稳定的重要问题。随着计算机和通讯技术的发展,对波动率的描述步入高频时代。Andersen等（2001,2003）提出用日内高频收益的平方和来对波动率进行直接测度,这种方法称为已实现波动率（Realized Volatility,RV）。同时,资产的高频收益在日内近似连续的某些时间节点上可能发生突变,这种行为称为跳跃。Barndorff-Nielsen和Shephard（2004）在已实现波动率的基础上实现了对日内跳跃行为的检测。大量研究表明,跳跃对资产波动率的刻画和预测具有重要影响,但这种影响的具体形式究竟如何,目前还没有较为一致的观点。因此,本文尝试从多种不同角度对跳跃的类型进行区分,并通过已实现波动率模型进一步分析在预测中起主要作用的跳跃成分。同时,随着衍生产品的活跃和金融市场一体化趋势的发展,市场间的联动关系和风险传导机制逐渐受到关注,不同资产或不同市场之间的价格共跳（Cojumps）也日益成为金融领域的前沿问题。部分研究表明共同跳跃对波动率同样具有重要意义,并能够显着改进对波动率的预测。相比单个资产的跳跃,对多个资产共跳的研究目前非常有限,且基本都没有对共同跳跃的符号方向、发生时间及风险来源等可能影响波动率的因素作出进一步分析。因此,本文在跳跃的基础上进一步尝试对不同类型的共跳成分进行识别,并考察在波动率的预测过程中共同跳跃所表现出的性质有何异同。在高频波动率的度量中存在两个主要问题:日内效应和隔夜效应,综合考虑两种效应的影响,构建最优估计量是对波动率进行建模的首要问题。同时,日内效应的存在可能导致跳跃的过度识别,选择有效的检验方法,是研究跳跃与共跳对波动率影响的必要条件。基于上述分析,本文以沪深300股票指数、股指期货及部分上证指数为研究对象,分别构建了关于跳跃和共跳的HAR-RV模型,并从波动的非对称性（杠杆效应）、隔夜因素及系统性因素等三个维度展开对波动率的预测分析。本文所做的主要工作和结论大致分为以下几个部分:第一,模型构建与方法选取。在波动率的度量方法上,综合日内效应和隔夜效应的影响,构建日内无加权已实现波动率、日内加权已实现波动率、扩展已实现波动率及扩展加权已实现波动率等四种估计量作为建模变量;在跳跃的检验方法上,通过理论推导了 S-BNS检验的改进形式——WS-BNS检验的统计性质,并构建了关于共同跳跃的BW检验准则。第二,波动率与跳跃的特征分析。首先对可能导致波动率与跳跃出现不同特征的信息来源进行分析,在此基础上构建不同类型的跳跃变差,并建立相应的HAR-RV-CJV模型;接下来对上述四种已实现波动率分别建立HAR-RV模型并进行拟合能力的比较。实证结果显示:波动率和跳跃均存在较强的集聚效应,且波动率具有明显的长记忆性和异质性。对沪深300股指和期指市场来说,扩展加权已实现波动率（WRVH）是最优估计量,而对于上证综指,对全天收益进行加权处理的加权已实现波动率（WRV）是波动率的最佳估计。第三,跳跃对波动率的预测分析。在HAR-RV-CJV模型框架下,分别从非对称性、隔夜信息及系统性因素等三个角度分析跳跃在波动率预测中的作用。跳跃对波动的非对称性具有明显的阶段特征,并且在不同阶段发生了方向上的反转。价格对隔夜信息的反应总体上具有一定的滞后性,隔夜跳跃的影响大于日内跳跃,隔夜跳跃能够传导至当日日内和次日隔夜。第四,共跳对波动率的预测分析。根据实证结果,基于BTL检验和WS-BNS检验的BW检验是最优的非参数检验方法。首先在该检验下对共跳及共跳协变差的性质进行了综合分析,接下来在HAR-RV-JCOV模型框架下,分别考虑共跳的符号方向、发生时间等因素的影响。实证表明:1、共同跳跃对波动率的预测同样具有非对称效应,并且这种效应具有阶段性和反转特征。2、共跳的隔夜特征非常明显,隔夜共跳对下一期波动率有显着的正向影响;与跳跃不同的是,在股指市场隔夜共跳并不能传导至当日日内,因此实证结果并不支持期指市场对股指市场存在波动溢出。3、总体来说,周期性行业指数的系统性共跳对下一期波动率具有显着正影响,而非周期性行业指数的系统性共跳则具有显着负影响或影响不明显;同时,系统性共跳对波动率的预测受政策影响比较大。第五,符号共跳协变差是基于符号跳跃所构建的关于符号共跳的新的估计量。通过基于滚动预测技术的SPA检验发现,符号共跳协变差能够明显提高模型的样本内拟合能力和样本外预测精度,从而改进对波动率的预测。本文基于沪深300股指、期指和上证指数的高频数据,研究引入跳跃和共跳的波动率预测方式,在资产定价、投资组合及风险管理等金融理论和实务领域具有重要的借鉴意义。在理论层面,分别对跳跃和共跳建立具有不同效应的已实现波动率模型对金融风险管理理论具有重要的创新意义,其中对已实现波动率的度量形式和跳跃检验方法的改进在一定程度上也丰富了高频波动率的方法体系。由于波动率的估计和预测在金融计量领域有着举足轻重的作用,因此从波动率的建模入手研究各种复杂因素对波动率的预测作用,对我国市场的定价、投资和风险预测等具有重要的参考意义。在实践研究中,波动率的有效预测有助于投资者深刻认识市场微观结构因素和衍生品市场的复杂性,在进行有效风险防范的基础上根据自身情况指定最优组合策略。不同市场或不同指数之间的价格共跳与影响整个市场的宏观信息冲击关系密切,研究波动的共跳特征有助于分析市场间的信息溢出及行业的周期性特征,不仅可以帮助金融监管者和政策制定者了解风险来源和建立预警机制,而且可以为投资者优化决策、规避风险提供指导。与现有研究单独考察跳跃、共跳、杠杆效应、隔夜信息及系统性风险等因素不同,本文在非参数检验方法基础上综合考虑上述等因素对高频数据中波动率的预测效果进行研究,可能的创新点主要体现在以下几个方面:第一,从检验跳跃的方法上对非参数检验进行了一定的调整。由于U型效应的存在,可能产生跳跃的过度识别,影响预测的准确性。本文尝试拓展了单一检验方法的限制,提出BW检验,并对跳跃的识别效率及其在波动率预测中产生的差异进行了实证研究。第二,将系统性共跳引入波动率的预测模型,考察具有不同风险特征的跳跃行为对未来波动率的影响,并在对波动率的研究中尝试考虑共同跳跃的方向符号,对共同跳跃是否也具有杠杆效应这一问题进行了检验。同时,进一步构建了新的符号共跳变量——符号共跳协变差,并通过SPA检验分析加入符号共跳协变差对模型样本外预测能力的影响。第三,在跳跃和共跳的研究中考虑了隔夜信息的重要影响。为了进一步分析隔夜跳跃的日内传导性,本文分别对日内波动、隔夜波动和整体波动三种不同成分进行建模,并分别就隔夜跳跃（共跳）和日内跳跃（共跳）对波动率预测的影响进行了实证研究。研究尝试在波动率度量中综合考虑日内效应和隔夜效应等因素的影响,在进行加权处理的同时兼顾隔夜尺度,且结论具有一定的稳健性。
二、中国石化稳定大盘（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、中国石化稳定大盘（论文提纲范文）
（2）基金经理改变基金风格的动机与影响 ——以华夏大盘精选为例（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 导论 |
| 1.1 研究背景与研究意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 研究内容与研究方法 |
| 1.2.1 研究内容 |
| 1.2.2 研究方法 |
| 1.3 研究的创新与不足 |
| 第2章 理论基础与文献综述 |
| 2.1 理论基础 |
| 2.1.1 基金风格的定义和分类 |
| 2.1.2 现代资产组合理论 |
| 2.1.3 有效市场假说 |
| 2.1.4 委托-代理理论 |
| 2.2 文献综述 |
| 第3章 基金案例介绍 |
| 3.1 华夏基金管理有限公司简介 |
| 3.1.1 公司历史 |
| 3.1.2 公司业务 |
| 3.1.3 公司内部管理结构 |
| 3.2 华夏大盘精选基金介绍 |
| 3.3 历任基金经理情况介绍 |
| 第4章 案例分析 |
| 4.1 基金经理表现 |
| 4.2 基金风格变化分析 |
| 4.2.1 基于夏普多因子模型的基金风格分析 |
| 4.2.2 基于行业个股视角的基金风格分析 |
| 4.2.3 基于平均持仓时间长度的基金风格分析 |
| 4.3 经理改变基金风格动机分析 |
| 4.3.1 缓解业绩压力 |
| 4.3.2 市场外部环境影响 |
| 4.3.3 公司内部管理混乱 |
| 4.3.4 基金经理投资偏好 |
| 4.4 基金风格变更对基金业绩的影响 |
| 4.4.1 经理更替、风格变换与基金短期业绩变化 |
| 4.4.2 经理更替、风格变换与基金长期业绩变化 |
| 第5章 案例研究结论与建议 |
| 5.1 结论 |
| 5.2 建议 |
| 参考文献 |
| 致谢 |
（3）基于深度学习的股票数据挖掘方法及其应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 引言 |
| 1.1 研究背景及意义 |
| 1.2 研究现状与存在问题 |
| 1.3 本文的研究内容 |
| 1.4 本文的组织结构 |
| 第2章 股票数据挖掘及相关技术 |
| 2.1 股票数据类型及挖掘方法 |
| 2.1.1 股票行情数据 |
| 2.1.2 股吧评论数据 |
| 2.1.3 数据挖掘方法 |
| 2.2 股票舆情分析方法 |
| 2.2.1 基于词典的股票评论情感分析方法 |
| 2.2.2 基于机器学习的股票评论情感分析方法 |
| 2.2.3 基于深度学习的股票评论情感分析方法 |
| 2.3 常见的股票交易策略 |
| 2.3.1 传统的股票交易策略模型 |
| 2.3.2 基于机器学习的股票交易策略 |
| 2.4 深度学习相关技术 |
| 2.4.1 FinBERT |
| 2.4.2 卷积神经网络 |
| 2.4.3 深度Q网络 |
| 2.5 本文的研究框架 |
| 2.6 本章小结 |
| 第3章 基于FinBERT-CNN的股吧评论情感分析 |
| 3.1 问题描述 |
| 3.2 数据获取与预处理 |
| 3.3 基于FinBERT-CNN的股吧评论情感分析方法 |
| 3.3.1 基于FinBERT预训练模型的特征学习 |
| 3.3.2 基于卷积神经网络的特征学习和情感分类 |
| 3.4 方法验证及分析 |
| 3.4.1 数据集及评价指标 |
| 3.4.2 模型参数设置 |
| 3.4.3 实验结果与分析 |
| 3.4.4 模型复杂度分析 |
| 3.5 本章小结 |
| 第4章 基于深度Q网络的股票交易策略模型 |
| 4.1 问题描述 |
| 4.2 股票状态空间整合 |
| 4.2.1 股票行情数据预处理 |
| 4.2.2 股吧评论情绪量化 |
| 4.3 基于动态阈值的股票买卖点判断方法 |
| 4.4 基于深度Q网络的股票交易策略模型 |
| 4.4.1 模型定义 |
| 4.4.2 基于深度Q网络的股票交易策略学习过程 |
| 4.5 方法验证及分析 |
| 4.5.1 数据集及评价指标 |
| 4.5.2 实验参数设置 |
| 4.5.3 实验结果与分析 |
| 4.5.4 模型复杂度分析 |
| 4.6 本章小结 |
| 第5章 “上证50”股票数据挖掘系统原型 |
| 5.1 股票数据挖掘系统设计 |
| 5.1.1 系统需求分析 |
| 5.1.2 系统功能设计 |
| 5.1.3 系统总体架构设计 |
| 5.2 股票数据挖掘系统实现 |
| 5.2.1 系统实现环境 |
| 5.2.2 系统实现关键技术 |
| 5.2.3 基于RPA的数据采集实现 |
| 5.2.4 系统实现流程 |
| 5.3 股票数据挖掘系统展示 |
| 5.3.1 系统界面与展示 |
| 5.3.2 系统使用说明 |
| 5.3.3 系统功能与性能测试 |
| 5.4 本章小结 |
| 第6章 结束语 |
| 6.1 本文总结 |
| 6.2 下一步研究方向 |
| 参考文献 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
| 致谢 |
（4）基于支持向量机的股票市场趋势分析及预测研究（论文提纲范文）
| 摘要 |
| abstract |
| 专用术语注释表 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 研究内容 |
| 1.2.1 数据来源 |
| 1.2.2 具体研究内容 |
| 1.3 研究方法 |
| 1.4 本文可能的创新点 |
| 1.5 论文结构框架 |
| 第二章 文献综述 |
| 2.1 股票预测研究现状 |
| 2.1.1 国外研究现状 |
| 2.1.2 国内研究现状 |
| 2.1.2.1 传统时间序列方法在股票预测中的应用 |
| 2.1.2.2 支持向量机在股票预测中的应用 |
| 2.1.2.3 支持向量机的参数调优及性能改进 |
| 2.2 本章小结 |
| 第三章 股票市场及支持向量机等相关算法概述 |
| 3.1 股票市场相关知识概述 |
| 3.1.1 影响股票涨跌的因素 |
| 3.1.2 股票预测常用指标 |
| 3.1.3 股票趋势预测常用方法 |
| 3.2 支持向量机算法及相关理论 |
| 3.2.1 统计学习理论 |
| 3.2.2 支持向量机 |
| 3.2.3 非线性可分理论 |
| 3.2.4 支持向量机的改进算法 |
| 3.3 情感分析技术 |
| 3.3.1 情感分析应用 |
| 3.3.2 情感分析基本方法 |
| 3.4 主成分分析法(Principal Component Analysis,PCA) |
| 3.4.1 PCA简介 |
| 3.4.2 主成分分析法步骤 |
| 3.5 参数优化方法 |
| 3.5.1 遗传算法 |
| 3.5.2 粒子群算法 |
| 3.6 本章小结 |
| 第四章 股票市场预测指标体系构建及处理 |
| 4.1 数据获取 |
| 4.2 股票市场预测指标体系构建 |
| 4.2.1 股票市场预测常用指标与股价表现探究 |
| 4.2.2 新闻情感指标构建 |
| 4.2.2.1 基于新闻情感分析的指标构建 |
| 4.2.2.2 搜索热度及新闻情感与股价表现的关系探究 |
| 4.3 数据预处理 |
| 4.3.1 股票市场预测指标体系预处理 |
| 4.3.2 基于主成分分析的股票市场预测指标降维 |
| 4.4 本章小结 |
| 第五章 基于支持向量机的股票市场预测 |
| 5.1 股票市场预测模型构建 |
| 5.1.1 基于支持向量机分类的股票走势预测 |
| 5.1.2 基于支持向量机回归的股指预测 |
| 5.1.3 基于支持向量机回归的股票投顾 |
| 5.1.4 不同时间滑窗下支持向量机模型表现 |
| 5.2 股票市场预测模型的参数优化及改进 |
| 5.2.1 支持向量机参数调优 |
| 5.2.1.1 遗传算法参数调优 |
| 5.2.1.2 粒子群算法参数调优 |
| 5.2.2 股票市场预测模型的改进 |
| 5.2.2.1 基于改进支持向量机的股票市场预测 |
| 5.2.2.2 基于时期划分的股票市场预测 |
| 5.3 股票市场预测模型结果评估及对比分析 |
| 5.3.1 股票市场预测模型结果评估 |
| 5.3.2 基于主成分分析的支持向量机与普通支持向量机的性能对比分析 |
| 5.3.3 不同参数优化算法的性能对比分析 |
| 5.3.4 改进支持向量机的模型效果评估 |
| 5.3.5 基于时期划分的股票市场预测效果评估 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 主要研究结论 |
| 6.2 研究的不足与局限 |
| 6.3 支持向量机在股票预测上的应用前景与展望 |
| 参考文献 |
| 附录 攻读硕士学位期间撰写的论文 |
| 致谢 |
（5）基于相对价格的沪深300股票投资组合研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的及意义 |
| 1.3 国内外研究现状 |
| 1.3.1 现货市场中投资组合模型的风险控制 |
| 1.3.2 期货市场风险控制研究 |
| 1.4 本文研究框架 |
| 1.5 研究成果 |
| 第二章 基于相对价格收益率模型及VaR的研究 |
| 2.1 理论及模型的介绍 |
| 2.1.1 相对价格定义 |
| 2.1.2 收益率定义 |
| 2.1.3 模型的理论介绍 |
| 2.1.4 相对价格收益率的时间序列建模 |
| 2.1.5 VaR的测算 |
| 2.2 基于沪深300股票相对价格收益率分布模型的研究 |
| 2.2.1 相对价格收益率分布的正态分布及t分布检验 |
| 2.2.2 相对价格收益率的模型研究 |
| 2.2.3 时间序列建模及测算VaR的实证研究 |
| 2.3 小结 |
| 第三章 VaR风险控制体系下相对价格的投资组合模型 |
| 3.1 VAR风险控制体系的建立 |
| 3.2 构建相对价格投资组合μ_S-VaR_S模型 |
| 3.2.1 选股准则 |
| 3.2.2 建立投资组合模型 |
| 第四章 大盘牛熊的判别研究及检验 |
| 4.1 原先指标的实际研究 |
| 4.1.1 技术指标确定 |
| 4.1.2 综合指标的构造 |
| 4.2 综合指标改进的实际研究 |
| 4.2.1 新指标的引入 |
| 4.2.2 新综合指标的建立 |
| 4.3 新综合指标的检验 |
| 4.4 小结 |
| 第五章 套期保值研究 |
| 5.1 短期最优套保比率模型的研究 |
| 5.1.1 构建ECM误差修正模型具体研究思路 |
| 5.1.2 短期最优套保比率计算研究 |
| 5.2 长期套期保值比率研究 |
| 第六章 套利模型的构建以及预测 |
| 6.1 建立套利模型 |
| 6.1.1 相关性检验 |
| 6.1.2 平稳性检验 |
| 6.1.3 建立套利模型 |
| 6.2 价格条件VAR的测算 |
| 第七章 基于相对价格的沪深300股票在现货市场和期货市场实证模拟研究 |
| 7.1 现货市场投资组合理论研究与实证 |
| 7.1.1 投资组合建立步骤股票配置的制度约束 |
| 7.1.2 基于时间序列建模投资组合实证模拟 |
| 7.1.3 基于投资组合μ_S-VaR_S模型实证模拟 |
| 7.1.4 小结 |
| 7.2 期货市场中的实际模拟操作 |
| 7.2.1 套利模型的实证研究 |
| 7.2.2 套期保值的实证研究 |
| 7.3 大类资产配置研究 |
| 7.4 小结 |
| 第八章 结论 |
| 参考文献 |
| 附录 |
| 附录 A 相对价格收益率的模型研究(基于2009—2014数据) |
| 附录 B 连续相对价格收益率时间序列建模及VAR预测 |
| 附录 C 离散相对价格收益率时间序列建模及VAR预测 |
| 在学期间的研究成果 |
| 致谢 |
（6）A+H股的套利交易策略 ——基于三状态均值回复模型（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究的背景 |
| 1.2 研究的目的和意义 |
| 1.2.1 研究目的 |
| 1.2.2 研究意义 |
| 1.3 研究的内容、方法和技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.3.3 技术路线图 |
| 1.4 本文的主要特点 |
| 第2章 相关理论回顾与文献综述 |
| 2.1 相关理论回顾 |
| 2.1.1 配对统计套利理论 |
| 2.1.2 马尔科夫状态转移模型 |
| 2.2 相关文献综述 |
| 2.2.1 统计套利研究综述 |
| 2.2.2 AH股套利国内外研究综述 |
| 2.2.3 跳跃行为及状态转移模型研究综述 |
| 2.2.4 文献评述 |
| 第3章 A+H股套利问题分析 |
| 3.1 A+H股套利问题的提出 |
| 3.2 A+H股折/溢价现象分析 |
| 3.3 A+H股相关性与协整性分析 |
| 3.4 A+H股价差状态跳回复性及问题分析 |
| 第4章 A+H股套利交易策略设计思路 |
| 4.1 基于三状态均值回复模型的理论框架 |
| 4.2 基于三状态均值回复模型的交易策略构思 |
| 第5章 A+H股套利交易策略的设计方案 |
| 5.1 A+H股股票对初筛 |
| 5.2 A+H股价差序列构建 |
| 5.3 三状态均值回复模型标的筛选 |
| 5.4 套利信号和交易机制设定 |
| 5.5 套利策略有效评价指标设定 |
| 第6章 交易策略设计方案的有效性评价 |
| 6.1 交易策略方案的回测胜率评价 |
| 6.2 交易策略方案的回测盈利评价 |
| 6.3 交易策略方案的风险提示 |
| 第7章 结论 |
| 7.1 本文主要结论 |
| 7.2 存在不足及展望 |
| 参考文献 |
| 附录 |
| 致谢 |
| 攻读学位期间的研究成果 |
（7）基于行业轮动策略的多因子选股模型实证研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 相关文献综述 |
| 1.2.1 多因子选股策略相关文献综述 |
| 1.2.2 行业轮动策略相关文献综述 |
| 1.3 研究内容和方法 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.4 研究目标与思路 |
| 1.4.1 研究目标 |
| 1.4.2 研究思路 |
| 1.5 创新与不足 |
| 2 行业轮动策略相关理论基础 |
| 2.1 多因子模型的理论基础 |
| 2.1.1 马科维茨均值方差理论 |
| 2.1.2 资本资产定价模型 |
| 2.1.3 套利定价模型理论 |
| 2.1.4 Fama-French三因子模型 |
| 2.1.5 小结 |
| 2.2 经济周期理论研究 |
| 2.2.1 康德拉季耶夫周期理论 |
| 2.2.2 朱格拉周期理论 |
| 2.2.3 基钦周期理论 |
| 2.2.4 小结 |
| 2.3 行业轮动理论研究 |
| 2.3.1 行业轮动原理 |
| 2.3.2 产业链视角下的行业轮动 |
| 2.3.3 美林投资时钟理论 |
| 2.3.4 经济周期下中国资本市场的行业轮动研究 |
| 3 多因子选股模型方案设计 |
| 3.1 多因子选股模型原理和方法 |
| 3.2 建立候选因子库 |
| 3.3 数据预处理 |
| 3.3.1 异常值处理 |
| 3.3.2 缺失值处理 |
| 3.3.3 标准化处理 |
| 3.4 因子有效检验 |
| 3.4.1 相关性检验 |
| 3.4.2 因子收益率分析 |
| 3.5 冗余因子剔除 |
| 3.6 构建多因子模型 |
| 3.7 模型评价指标设定 |
| 4 多因子选股模型实证分析 |
| 4.1 实证研究 |
| 4.1.1 实证数据选取 |
| 4.1.2 候选因子的选取 |
| 4.1.3 实证数据预处理 |
| 4.1.4 因子有效性检验 |
| 4.1.5 因子收益率检验 |
| 4.1.6 进一步筛选有效因子 |
| 4.2 模型构建与实证结果分析 |
| 5 基于行业轮动的多因子选股策略 |
| 5.1 库存周期的选取与划分 |
| 5.1.1 库存周期的经济含义 |
| 5.1.2 库存周期验证 |
| 5.1.3 库存周期划分 |
| 5.1.4 行业大类划分 |
| 5.2 行业轮动策略的构建 |
| 5.3 行业轮动策略实证结果分析 |
| 6 研究结论与展望 |
| 6.1 研究结论 |
| 6.2 不足与展望 |
| 参考文献 |
| 致谢 |
| 附录1 :行业轮动因子IC测试结果 |
| 附录2 :行业轮动策略因子收益率测试结果 |
| 附录3 :行业轮动策略因子相关性测试结果 |
| 附录4 :策略选股情况 |
| 附录5 :模型构建的相关代码 |
（8）基于事件驱动的量化选股策略研究 ——以“一带一路”主题为例（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究的背景 |
| 1.2 研究的目的和意义 |
| 1.2.1 研究目的 |
| 1.2.2 研究意义 |
| 1.3 研究的内容、方法和技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.3.3 技术路线 |
| 1.4 本文的主要创新 |
| 第2章 文献综述与相关理论 |
| 2.1 文献综述 |
| 2.1.1 事件驱动策略相关研究 |
| 2.1.2 量化选股相关研究 |
| 2.1.3 文献评述 |
| 2.2 相关算法理论基础 |
| 2.2.1 遗传算法理论 |
| 2.2.2 BP神经网络理论 |
| 2.2.3 随机森林模型理论 |
| 2.2.4 支持向量机(SVM)理论 |
| 第3章 研究问题分析与交易策略的构思 |
| 3.1 问题分析 |
| 3.1.1 研究问题描述 |
| 3.1.2 研究问题分析 |
| 3.2 事件驱动投资策略设计的思路 |
| 3.3 事件驱动投资策略设计的理论框架 |
| 第4章 交易策略事件选择的论证研究 |
| 4.1 样本数据和指标选择 |
| 4.1.1 政策事件的选取 |
| 4.1.2 概念股样本公司的选取 |
| 4.2 研究假设及步骤 |
| 4.2.1 基本假设 |
| 4.2.2 研究步骤 |
| 4.3 研究结果分析 |
| 4.3.1 CAR值的计算 |
| 4.3.2 对CAR的T检验值 |
| 4.4 本章小结 |
| 第5章 基于机器学习法的量化选股方案设计 |
| 5.1 方案流程 |
| 5.2 样本股票池构建 |
| 5.3 数据准备 |
| 5.3.1 源数据的获取 |
| 5.3.2 数据清洗 |
| 5.3.3 指标的计算及样本选取 |
| 5.3.4 数据标准化 |
| 5.3.5 特征指标筛选 |
| 5.4 选股模型的构建 |
| 5.4.1 遗传算法优化BP神经网络模型 |
| 5.4.2 随机森林模型 |
| 5.4.3 支持向量机SVM |
| 5.5 三种模型对比分析 |
| 5.5.1 模型预测命中率结果与分析 |
| 5.5.2 模型选股结果与分析 |
| 第6章 事件驱动投资策略的实施及有效性评价 |
| 6.1 交易策略的构建 |
| 6.2 交易策略的实现及回测 |
| 6.2.1 交易策略样本选择 |
| 6.2.2 选股模型得到各期组合持仓情况 |
| 6.3 交易策略方案的有效性评价 |
| 6.3.1 收益评价 |
| 6.3.2 风险评价 |
| 6.3.3 综合评价 |
| 6.4 交易策略方案的风险提示 |
| 第7章 结论 |
| 7.1 全文总结 |
| 7.2 论文展望 |
| 参考文献 |
| 附录 |
| 致谢 |
| 攻读学位期间的研究成果 |
（10）基于跳跃、共跳的波动率预测研究 ——来自高频金融数据的证据（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 选题意义 |
| 1.2 研究思路及框架 |
| 1.2.1 研究思路 |
| 1.2.2 研究框架 |
| 1.3 研究内容及结构安排 |
| 1.4 创新与不足 |
| 1.4.1 可能的创新点 |
| 1.4.2 存在的不足 |
| 2 国内外研究综述 |
| 2.1 高频数据的研究现状 |
| 2.1.1 收益和波动序列的统计性质研究 |
| 2.1.2 基于高频数据的计量模型研究 |
| 2.2 金融市场波动率的研究现状 |
| 2.2.1 低频模型研究概述 |
| 2.2.2 已实现波动率的度量研究 |
| 2.2.3 基于已实现波动率的建模研究 |
| 2.3 跳跃与共跳的研究进展 |
| 2.3.1 信息冲击与跳跃 |
| 2.3.2 基于已实现波动率的跳跃研究 |
| 2.3.3 基于已实现波动率的共跳研究 |
| 3 模型与度量方法 |
| 3.1 HAR模型的基本理论 |
| 3.1.1 异质市场假说 |
| 3.1.2 HAR基础模型 |
| 3.2 已实现波动率的度量形式 |
| 3.2.1 日内无加权已实现波动率(RVD) |
| 3.2.2 日内加权已实现波动率(WRVD) |
| 3.2.3 基于隔夜信息的扩展已实现波动率(RVH) |
| 3.2.4 基于隔夜信息的扩展加权已实现波动率(WRVH) |
| 3.3 跳跃与共跳的检验--非参数方法 |
| 3.3.1 BNS检验的理论分析 |
| 3.3.2 WS-BNS检验统计量 |
| 3.3.3 BTL方法 |
| 3.3.4 BW检验及共跳的检验准则 |
| 4 高频数据下波动率与跳跃的特征 |
| 4.1 波动的非对称性与隔夜信息 |
| 4.1.1 非对称性 |
| 4.1.2 隔夜信息的由来及度量 |
| 4.2 高频数据下波动率特征 |
| 4.2.1 样本数据及波动率基本特征分析 |
| 4.2.2 波动率估计比较 |
| 4.2.3 波动率的长记忆性特征 |
| 4.3 跳跃及其特征分析 |
| 4.3.1 正向跳跃与负向跳跃 |
| 4.3.2 隔夜跳跃与日内跳跃 |
| 4.3.3 系统性跳跃与异质跳跃 |
| 4.3.4 跳跃变差统计特征 |
| 5 跳跃对波动率的预测--基于HAR-RV-CJV模型 |
| 5.1 跳跃对波动率的非对称性预测与反转 |
| 5.1.1 跳跃对波动率预测的非对称性 |
| 5.1.2 跳跃对波动率预测的反转特征——以政策改革为界 |
| 5.1.3 跳跃对波动率预测的反转特征——以牛市和熊市为界 |
| 5.2 跳跃对波动率的预测能力分析:隔夜跳跃与系统跳跃 |
| 5.2.1 隔夜跳跃对波动率的预测分析 |
| 5.2.2 系统性跳跃对波动率的预测分析 |
| 5.3 符号跳跃及其对波动率的样本外预测 |
| 5.3.1 SPA检验 |
| 5.3.2 符号跳跃变差的设定 |
| 5.3.3 符号跳跃变差对波动率样本外预测的影响 |
| 6 共跳及其对波动率的预测--基于HAR-RV-JCOV模型 |
| 6.1 共跳的建模 |
| 6.1.1 共跳协变差(JCOV) |
| 6.1.2 共同跳跃的方向符号 |
| 6.1.3 隔夜共跳与日内共跳 |
| 6.1.4 系统性共跳 |
| 6.2 共跳的检验与统计特征 |
| 6.2.1 跳跃的检验方法 |
| 6.2.2 跳跃、共跳的统计特征 |
| 6.3 共跳对波动率的预测分析 |
| 6.3.1 共同跳跃的杠杆效应 |
| 6.3.2 隔夜共跳的影响 |
| 6.3.3 系统性共跳的影响 |
| 6.4 符号共跳的构造及其样本外预测能力的比较 |
| 6.4.1 符号共跳协变差的设定 |
| 6.4.2 符号共跳协变差对HAR-RV模型样本外预测能力的影响 |
| 7 结论及政策建议 |
| 7.1 主要研究结论 |
| 7.2 启示及建议 |
| 7.3 进一步研究的方向 |
| 攻读博士期间发表的科研成果 |
| 参考文献 |
| 后记 |
四、中国石化稳定大盘（论文参考文献）
- [1]资本思维提升上市公司资本经营[J]. 南春雨. 经营者(汽车商业评论), 2021(10)
- [2]基金经理改变基金风格的动机与影响 ——以华夏大盘精选为例[D]. 曾宇轩. 江西财经大学, 2021(10)
- [3]基于深度学习的股票数据挖掘方法及其应用[D]. 刘薇. 中国科学院大学(中国科学院深圳先进技术研究院), 2021(09)
- [4]基于支持向量机的股票市场趋势分析及预测研究[D]. 张磊. 南京邮电大学, 2020(02)
- [5]基于相对价格的沪深300股票投资组合研究[D]. 刘昱. 北方工业大学, 2020(02)
- [6]A+H股的套利交易策略 ——基于三状态均值回复模型[D]. 吕明磊. 上海师范大学, 2020(07)
- [7]基于行业轮动策略的多因子选股模型实证研究[D]. 胡林云. 西南大学, 2020(01)
- [8]基于事件驱动的量化选股策略研究 ——以“一带一路”主题为例[D]. 丁婷婷. 上海师范大学, 2020(07)
- [9]A股定盘星——央企上市公司市值管理分析研究[A]. 刘青山. 中国企业改革发展优秀成果2019（第三届）上卷, 2019
- [10]基于跳跃、共跳的波动率预测研究 ——来自高频金融数据的证据[D]. 邓俐伶. 东北财经大学, 2019(06)