中国股市的时变收益可预测性

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

英文标题：
《Time-varying return predictability in the Chinese stock market》
---
作者：
Huai-Long Shi, Zhi-Qiang Jiang and Wei-Xing Zhou (ECUST)
---
最新提交年份：
2016
---
英文摘要：
  China\'s stock market is the largest emerging market all over the world. It is widely accepted that the Chinese stock market is far from efficiency and it possesses possible linear and nonlinear dependence. We study the predictability of returns in the Chinese stock market by employing the wild bootstrap automatic variance ratio test and the generalized spectral test. We find that the return predictability vary over time and significant return predictability is observed around market turmoils. Our findings are consistent with the Adaptive Markets Hypothesis and have practical implications for market participants.
---
中文摘要：
中国股市是全球最大的新兴市场。人们普遍认为，中国股市远未达到有效水平，存在着可能的线性和非线性相关性。我们利用wild bootstrap自动方差比检验和广义谱检验研究了中国股市收益的可预测性。我们发现，回报率的可预测性随时间而变化，在市场动荡的情况下，可以观察到显著的回报率可预测性。我们的发现与适应性市场假说一致，并对市场参与者具有实际意义。
---
分类信息：

一级分类：Quantitative Finance        数量金融学
二级分类：Statistical Finance        统计金融
分类描述：Statistical, econometric and econophysics analyses with applications to financial markets and economic data
统计、计量经济学和经济物理学分析及其在金融市场和经济数据中的应用
--

---
PDF下载：
--> Time-varying_return_predictability_in_the_Chinese_stock_market.pdf (197.22 KB)

2022-5-26 23:38:40 上传

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：中国股市 预测性 国股市 Econophysics Participants

2016年11月15日1:53 WSPC/指令文件AMH˙AVR˙CHN˙V2物理科学进展报告C 世界科学出版社中国股市的时变回报可预测性淮龙市华东科技大学金融与经济物理研究中心系，上海市梅龙路130号，邮编200237，中国知强江华东科技大学金融与经济物理研究中心系，梅龙路130号，中国上海200237，周伟兴华东理工大学金融系、数学系和经济物理研究中心，上海市梅龙路130号，邮编200237，Chinawxzhou@ecust.edu.cnReceived2015年5月26日中国股市是全球最大的新兴市场。人们普遍认为，中国股市远未达到有效水平，存在可能的线性和非线性相关性。我们利用wild bootstrap自动方差比检验和广义谱检验研究了中国股市收益的可预测性。我们发现，回报的可预测性随着时间的推移而变化，在市场动荡的情况下，可以观察到显著的回报可预测性。我们的发现符合适应性市场假说，并对市场参与者具有实际意义。关键词：经济物理学；收益可预测性；适应性市场假说；方差检验；广义光谱测试。1、导言有效市场假说（EMH）是现代金融的一个重要组成部分。18,19市场效率有三种形式，包括弱形式、半强形式和强形式。弱形式市场效率假说表明，无法检测出定价错误的资产，而且根据相关PAST信息进行回报预测是徒劳的。

EMH刺激了许多报告与EMH不一致的“异常”现象的研究。有一种异常现象与历史特定信息的回报可预测性有关，如市场资本化或规模效应、价格收益率、账面市值比或价值效应、47,5去年价格或2016年11月15日1:53 WSPC/指令文件AMH˙AVR˙CHN˙v22 H.-L Shi、Z.-Q.Jiang和W.-X.Zhoutum/反向效应，13,28等等。其他异常涉及与某些日历时间相关的异常回报，也称为日历效应，包括周末效应、星期几效应、一月效应、月末效应和其他几种。35,36,4资本资产定价模型（CAPM）无法解释这些市场异常现象。过去三十年来，有关市场异常的文献不断增多，大多数实证证据表明，金融市场偏离了弱效率。市场异常的时变表现与市场效率的上升和下降相一致。显著异常对应较低水平的市场效率，减弱的异常代表较高水平的市场效率。

例如，厄克哈特和麦格劳蒂发现，随时间变化的调整后回报与某些日历效应有关。他们以DJIAas的数据为样本，研究不同种类的日历效应，其结果与Lo的适应性市场假说（AMH）的含义一致。他们还发现，仅在某些市场条件下，某些日历效应在统计上是显著的，因此收益的可预测性是时变的。通过检验收益序列的序列相关性，运用了多种方法对收益可预测性进行研究，包括鞅差异假设（MDH）检验和长期相关性检验。MDH测试方法是为了验证线性和非线性序列相关性的存在。因此，大多数研究通常采用移动窗口来描述收益可预测性的详细动态。首先，有许多方法适用于研究回归时间序列可能的线性依赖性，34,52,25如po rtmanteau Q统计量、AR模型、游程检验和方差比检验。其次，还有测试回归时间序列中非线性相关性的方法，37,34,52,38,25，如ARCH effect测试、Tsay测试、ARCH-Lagrange乘数测试、双相关测试、Broock、Scheinkman、Dechert和LeBaron测试以及广义谱测试。第三，有一些通过估计赫斯特指数来检验长期相关性的经济物理方法，如重标范围分析45、43、44结构函数法、15、14离散移动平均分析、1、9、22离散波动分析、31、29等。在这项工作中，我们关注的是中国股市。与成熟的金融市场相比，中国股市相对年轻。

中国市场存在一些独特的现象，如零售和机构交易员的比例、非理性投资的普遍概念、政策事件的影响等。我们想知道，中国市场是否正在逐步提高效率或以类似于AMH中描述的方式发展。此外，很少有关于AMH的研究关注中国市场。我们的研究旨在为有关中国市场的文献提供更多的实证证据。我们从不同的角度进行研究。采用经典的MDH测试方法，包括2016年11月15日1:53 WSPC/INSTRUCTION FILEAMH˙AVR˙CHN˙V2中国股市3收益序列时变收益可预测性的线性和非非线性相关性测试方法，来检查收益可预测性。本文的结构如下。第2节描述了本工作中采用的方法。第3节介绍了研究中的数据。第4节报告了实证结果。第5节结束。方法学EMH表示，设定价格充分反映了所有可用信息，这意味着技术分析失败。为了研究收益率的可预测性，经常使用各种方法来检验马尔可夫差分假说（MDH）。具体而言，EMH中的一个经典假设是-1] =0，（1）其中{Yt}+∞-∞是一个平稳的时间序列，I（t）是时间t之前所有可用信息的集合，它={Yt，Yt-1，…}。根据等式（1），Ytis是一个鞅差序列（MDS）。MDH推广了MDS的概念，使得Yt的无条件平均值可以非零：E[Yt | It-1] =u6=0，（2）根据方程式（2），Ytis的条件期望为常数。

MDHIM证明条件均值是独立的，这与EMH一致。这意味着历史信息在预测未来价值时是无用的。公式（2）可以重写如下，E[（Yt- u）ω（It-1） ]=0，（3），其中ω（It-1） r e表示过去信息的转换。ω的不同函数形式与检验返回时间序列中线性和非线性相关性的不同方法不同。Charles等人通过电导蒙特卡罗实验比较了不同的MDH测试方法。他们得出结论，wild bootstr ap automaticvariance ratio test（以下简称AVR tes t）和Generalized Spectral test（以下简称GS test）更有利于测试回归时间序列的线性和非线性相关性。因此，我们使用AVR tes t和GS检验来研究中国股市的收益可预测性。我们简要回顾了这两种方法。2.1。Wild bootstrap automatic variance ratio test变异比测试由Lo和MacKinlay开发，被广泛用于测试市场是否处于弱势状态。假设Yt是时间t（t=1，…，t）的资产回报，AVR测试统计数据可以写为：V R（k）=1+2T-1Xi=1m（i/k）ρ（i）=1+2T-1Xi=1m（i/k）PT-it=1（Yt- ^u）（Yt+i- ^u）PTt=1（Yt- ^u）（4）2016年11月15日1:53 WSPC/指令文件AMH˙AVR˙CHN˙v24 H.-L Shi，Z.-Q.Jiang和W.-X.Zhou其中k是持有期，^ρ（i）是收益的第i或第r自相关估计量，^u=TPTt=1Yt，二次中心核m（X）是加权函数m（X）=12πX“sin6πx6πx- cos公司6πx#（5） 当Ytis i.i.d.并且还有有限的四阶矩时，在Ytis序列不相关的零假设下，我们有av R（k）=rTk[V R（k）- 1]√d-→ N（0，1）（6）作为k→ ∞, T→ ∞, T/k→ ∞.

用完全依赖数据的方法可以确定滞后截断点（或保持期）k的最优值。Onethus获得了AVR检验统计量AVR（^k），其中k的最佳选择为^k。有人认为，在采用wild bootstrap后，AVR检验的小样本特性可以得到显著改善。大量蒙特卡罗实验表明，在条件异方差条件下，wild bootstra p在小样本中提供了准确的统计推断。32,33具体而言，AV R（^k）的野生自举可按以下三个步骤执行：32,33（1）生成大小为T，Y的自举样本*t=ηtYt（t=1，…，t），其中η为随机变量，具有零均值和单位方差；（2） 获取AV R*（k）*) 通过从{Y]计算AVR统计量*t} Tt=1；和（3）多次重复前两个步骤并构建引导分布{AV R*（^k*; j） }Bj=1.2.2。广义谱检验另一方面，ω可以是非线性函数。常用指数函数和指标函数。前者是检测一般的非线性条件均值依赖性，后者是检验无方向可预测性。Escanciano和Velasco以成对回归函数的形式提出了MDH的空值。无效假设是H:mj（y）=0，其中mj（y）=E（Yt- u| Yt-j=y），另一种假设是，对于某些j，H:P{mj（y）6=0}>0。事实上，上述零假设与指数加权函数一致，如下所示，γj（x）≡ E[（Yt- u）exp（ixYt-j） ]=0（7），其中γj（x）在x为任意实数的非线性框架中起自协方差度量的作用。

他们还建议使用广义谱分布函数H（λ，x）=γ（x）λ+2∞Xj=1γj（x）sin（jπλ）jπ（8）2016年11月15日1:53 WSPC/指令文件AMH˙AVR˙CHN˙v2中国股市的时变收益可预测性5其样本估计写为^H（λ，x）=^γ（x）λ+2∞Xj=11.-jT公司γj（x）sin（jπλ）jπ（9），其中γj（x）=（T-j）-1PTt=1+j（Yt-“”年初至今-j） eixYt公司-1月至今-j=（T-j）-1PTt=1+jYt。在零位下，^H（λ，x）=^γ（x）λ≡^H（λ，x），以及他的书写asst（λ，x）=（0.5T）1/2h^H（λ，x）的检验统计量-^H（λ，x）i（10）为了评估St的值，对于λ和x的所有可能值，使用Cramer-vonMises范数获得statisticDT=T-1Xj=1T- j（jπ）TXt=j+1TXs=j+1（Yt-“”年初至今-j） （Ys）-“”年初至今-j） 经验值-0.5（Yt-j- Ys公司-j）（11） 为了改善小样本特性，Escanciano和Velasco建议使用wild bootstrap，其过程类似于上文提到的AVR测试。数据集通过AVR和GS测试研究收益率可预测性所用的数据来自RESET(http://www.resset.cn)，其中包含1990年12月至2015年9月期间在上海证券交易所（SHSE）和深圳证券交易所（SZSE）上市的所有A股个人股票的每日和每周回报。计算两个交易所所有单个股票的平均加权日回报率和周回报率。表1给出了一些相关的描述性统计数据。研究发现，在样本期内，上海证券交易所股票的日平均收益率和周平均收益率均高于深交所股票，这与上海证券交易所股票的平均收益率具有较大的偏态性这一事实相一致。此外，上海证交所股票的平均收益率比深圳证交所股票具有更高的峰度。Jarque Bera检验也表明平均值不是正态分布的。市场规模平均标准偏差。库尔特。

Jarque BeraWeekly SHSE 1254 0.00775 0.083 11.21 214.3 2359173***每周深交所1250 0 0.00509 0.061 3.24 42.4 83133***每日SHSE 6063 0.00149 0.030 14.25 591.3 87635173***每日深交所6102 0.00099 0.025 1.23 22.2 95593***2016年11月15日1:53 WSPC/说明文件AMH˙AVR˙CHN˙v26 H.-L Shi，Z.-Q.Jiang和W.-X.Zhou4。实证结果我们对上海证交所和深交所每日和每周数据的收益可预测性进行了AVR检验和GS检验。由于校正时间窗口中的观测值足以保证精确估计，每周数据和每日数据的时间窗口大小分别设置为2年和5年。每个时间窗口包括每周数据近250次观测和每日数据近500次观测。样本向前移动一年，以重新估计AVR和GS统计数据。-4.-3.-2.-10123456SHSE（每日）199319941995199619971998199920002001200320042052006200720082009201020112012201320142015 AVR-统计CI-4.-3.-2.-10123456SZSE（每日）199319941995199619971998199920002001200320042052006200720082009201020112012201320142015 AVR-统计CI-3.-2.-1012345SHSE（每周）1996199719981999200020012002200320042052006200720082009201020112012201320142015 AVR-统计CI-3.-2.-1012345SZSE（每周）1996199719981999200020012002200320042052006200720082009201020112012201320142015 AVR-统计CIFig。1、1990年12月至2015年9月上海证券交易所和深交所日、周数据AVR检验的时变统计。CI是与显著水平5%的统计数据相关的置信区间。时间t表示时间窗- 1，t]表示日常数据，和- 4，t]表示每周数据。图1显示了时变AVR统计及其相应的5%置信区间（CI）。

当AVR统计值大于CIvalue上限时，收益率表现出统计上显著的正序列相关。当AVR统计值小于较低的CI值时，收益率在统计学上表现出显著的负序列相关性。有迹象表明，AVR统计数据上升，2016年11月15日1:53 WSPC/指令文件AMH˙AVR˙CHN˙V2中国股市的时变回报预测性随着时间的推移而下降。大多数AVR统计值都是正的，无论它们在统计上是否显著，这表明中国股市的回报时间序列存在正线性相关。这些结果对二次交换和数据采样频率不敏感。Kim等人发现，股票市场泡沫和崩盘通常与较高的AVR统计数据以及有时更宽的置信区间相对应，这可以作为市场不确定性的衡量标准。这意味着市场效率取决于市场条件。40,34具体而言，当中国证券交易所（包括上海证券交易所和深交所）于20世纪90年代初成立时，市场波动性更大，不确定性更高，这主要是由于T+0的市场交易机制以及没有实施成熟的定价限制。因此，对于20世纪90年代初的每日数据，AVR统计数据与统计意义呈正相关，置信区间更宽。同样，在1996年至1997年期间，每日数据的结果表明，AVR统计数据随着CI带的变宽而急剧增加，这与1996年至1997年中国股市的市场泡沫有关。在2001年前后的时间段内，每日和每周数据的结果显示，AVR统计数据和相应的置信区间迅速增加，反映了市场不确定性的增加。