股票预期价格模型及运用(心理学拟合模型)

股票预期价格模型及运用(心理学拟合模型)
股票预期价格模型及运用(心理学拟合模型)

摘要

股票预期价格模型及运用

摘要

股票定价一直是人们关心的热点焦点问题,投资者在投资时常常会应用一些理论知识来指导。但对于瞬息万变的市场,人们常常会束手无策。股票定价理论的发展,从传统的定价理论,到现代定价理论,再到现代金融工程,越来越深入地研究股票的内在价值。但是,经济学本身作为一门不完善不系统的科学,仍然需要大量的研究来寻求其中的规律。至于在股票市场,一些西方的定价理论在中国的特殊坏境下却达不到预期的效果,所以寻求新的方法很必要。

本文不去研究股票的内在价值,认为股票的价值本身会在市场表达出来。本文从新的角度出发,利用投资者对股票价格的预期,根据每个价位的概率不同,用卡方分布拟合,以求得差价的期望值。然后加上股票即时价格(交易价格),便得到股票期望价格。理论上通过所有人的预期能够得到市场上股票价格的期望值,但在实际中很难操作。为了解决这个问题,本文提出用统计取样的方法来求出部分人的预期。在随机取样的前提下,能得到一个趋近于市场股票价格期望值的价格,根据此价格来指导投资。要说明的是,由于取样没有代表整体,所以也存在风险。

关键词:股票定价卡方分布拟合预期价格统计取样

Abstract

Abstract

The pricing of stock, a focal problem, has been paid close attention by everyone. The investors often apply some speculative knowledge to investment. People often will be at a loss what to do because of the changing market. Stock pricing theory of development, from the traditional pricing theory, to modern pricing theory, and then to modern financial engineering, more and more in-depth research the intrinsic value of the stock. But, economics itself as an imperfect system of the science of not, still need a great deal of research to seek some rules. As for in the stock market, some western pricing theory in China's special atmosphere still can not reach the expected effect, so seeking new method is very necessary.

This paper is not to study the intrinsic value of the stock, think that the value of the stock market will express itself in. This article from a new angle, makes use of stock price expectation of investors, According to the probability of each price, with the chi-square distribution fitting, in order to achieve the expectations of price. Adding stock instant price (market price), then get stock price expectation. In theory, through all people’ expecting could get the stock price expectations the market, but in practice, it is difficult to operate. In order to solve this problem, this paper proposes the use of statistical sampling method to ask out part of people's expectations. Under random sampling, it can get a close to the market price of the stock price expectation. And finally accord the price to direct investment. To explain, because no representative sampling of the whole people, it still is at risk.

Key words:stock pricing, chi-square distribution, fitting, expected price, statistical sampling

序言

股票定价仍然是经济学和金融学的重点问题之一。从传统的股票定价理论到现代的股票定价理论,再到现代的金融工程,对股票进行一系列的探讨。虽然经过这些深入的探究,股票定价理论仍然不成熟、不完善。2000年。罗伯特·J·希勒在《非理性繁荣》里说道:“我们应当牢记,股市定价并未形成一门完美的科学。”

投资者根据自己的认知、了解,试图对股票进行分析,并且预测未来股票价格,以期得到收益。那应该如何进行股票定价来买进未来见长的股票或抛出未来走跌的股票呢?凯恩斯在《就业、利息和货币通论》(徐毓枬译)中写道:“人生有限,故人性喜欢速效,对于即刻致富之道最感兴趣,而于遥远未来能够得到的好处,普通人都要大打折扣。”由此推断,股票价格“只是一群无知无识者群众心理之产物,自会因群众之骤变而剧烈波动。”这时,投资者用投机者代替更为恰当了。

由于我国股市成立时间短,对股票定价也大多局限于借鉴、引用西方股票定价理论,在西方屡试不爽的理论在我国出了较大的偏差。我国投资者由于信息的缺乏、能力的不足、或者股市不确定性的波动,大多数人在里面栽了跟头。

如何做一个理性的投资者,而非一个冲动的投机者呢?本文从新的角度出发,试图对股票价格进行预测。

目录

摘要................................................................ I Abstract........................................................... I I 序言.............................................................. I II 第一章股票价格的概念与定价理论发展 (1)

一、股票价格 (1)

1.1 股票的价格 (1)

1.2 股票市场价格与投资价值 (1)

二、股票定价理论的发展 (2)

2.1传统股票定价理论 (2)

2.2 现代股票定价理论 (3)

第二章股票预期价格定价模型 (6)

一、模型的思想起源 (6)

二、2 分布 (7)

三、预期价格定价模型 (8)

2.3.1 看涨预期模型 (8)

2.3.2 看跌预期模型 (9)

2.3.3 预期价格 (10)

第三章模型基于统计取样的应用 (11)

第四章总结分析 (13)

第五章参考文献 (14)

致谢............................................... 错误!未定义书签。

第一章股票价格的概念与定价理论发展

一、股票价格

1.1 股票的价格

股票是由股份公司发给投资者作为入股的凭证,持有者有权分享公司的利益,同时也要承担公司的责任和风险。股票可以公开上市,也可以不上市。在股票市场上,它作为投资者和投机者的对象。持有者可以获得股息和红利等收益,因此形成价格。

股票有多种价格,包括面值、账面价值、投资价值、市场价格等,市场价格又包括发行价和流通价。发行价是一级市场的价格,分面值发行和溢价发行。流通价是二级市场需求者和供应者的交易价格。由于股票经过发行上市,长期的交易时的发行价格失去了意义,流通价格代表股票价值,本文研究的就是流通价格定价。

1.2 股票市场价格与投资价值

股票的市场价格不仅取决于投资价值,还取决于其他诸多因素。从理论上讲,在一个均衡市场中,股票市场价格应该等于股票投资价值。但在实际中,股票市场价格总是以投资价值上下波动。

由于交易者的禀赋、认知和偏好不同,更是由于认知局限性、交易环境的不确定性和复杂性、信息的不完全性等影响,投资者只能根据自身掌握的信息,对股票的价值进行估计和预测来决定买卖股票。

二、股票定价理论的发展

2.1传统股票定价理论

(1) 价值投资 本杰明·格雷厄姆和他合伙人杰罗姆·纽曼管理的基金经受了贬值50%的重大损失,为了弥补损失,他们开始总结和思考。《证券分析》作为格雷厄姆对股票定价理论认识和实践经验总结,不仅是构成价值投资学派的起源,也是第一次将证券投资分析看作是一个职业。投资学派认为:公司的内在价值(Intrinsic Value )决定股票的价格,公司的内在价值是未来收益的折现值。

随着价值投资的发展,格雷厄姆的得意门生之一沃伦·巴菲特(Warren Buffett )开始注意公司状况,注重公司未来收益。更是经过70多年的发展,进行长期投资、追求稳健投资的思想得到认同和肯定,被人们称为“理性投资”。

引发问题:没有一个系统的、统一的定价体系;对风险的分析缺少量化的的比较;只揭示了投资思想和投资理念,没有说明如何看待股票价格变动和没有说明具体如何操作。

(2)现金流贴现模型

现金流贴现(Discounted Cash Flow,DCF)模型是基于预期未来现金流和贴现率的一种估价法。威廉姆斯在其《投资价值学说》一书中首先提出了普通股的一般估价方法。其基本思想是股票是一种收益凭证,其在未来所产生的各期收益的现值之和就是股票的价值,股票价格应该根据其价值来确定。根据所采用的现金流不同,现金流贴现模型又可分为股利贴现模型和自由现金流贴现模型。

股利贴现模型:

()()11t t t P r E d τ

ττθ-∞

+==+∑ (1-1) 其中t P 是t 时点的股价,t d τ+是在t τ+期间每股现金股利,t θ是t 时刻可获得的信息,r 是预期未来现金股利的贴现率。

自由现金流贴现模型:

()11t Bt t t FCF V WACC P Z τττ∞+=??- ? ?+??=∑ (1-2)

其中t FCF τ+表示在t τ+期间公司自由现金流,WACC 为负债资本和权益资本的加权平均资本成本,Bt V 为t 时刻的债务资本的市场价值,t Z 为t 时刻的总股本。

引发问题:对公司未来现金流要求较高,公司在未来要有稳定的自由现金流。这在现实中很难满足,一般只有公用事业型公司才能满足。 (3)相对估价法

相对估价法是一种将目标公司与其具有相同或近似行业和财务特征的上市公司比较,通过参考可比公司的某一比率来对目标公司股票价值进行估值的方法。

引发问题:相对估价法需要一个可比公司,但对于可比公司的选取有主观性。当企业采取不同的会计制度时,财务数据之间的关系不确定,使得公司之间没有可比性。

2.2 现代股票定价理论

(1)现代证券组合理论

在此基础上,马柯维茨于1952年发表了题为《证券组合的选择》的论文,他根据统计学上的均值、方差和协方差等指标,将单个股票和股票组合的收益和风险进行量化,将复杂的投资决策问题简化为收益-风险(期望值-方差)的二维问题,给出了投资者如何通过建立有效边界,并根据自身风险承受能力选择最优投资组合,以实现投资效用最大化的一整套理论,即现代证券组合理论(Modern Portfolio Theory,MPT)。(2)资本资产定价模型(Capital Asset Pricing Model )

1964年,夏普、林特纳和特里纳等的开创性论文为资产定价模型奠定了基础。CAPM 模型有一个总的前提:市场上存在着一个充分多元化的投资组合,在这个投资组合中,资产的个别风险最终被相互抵消,从而使该投资组合的风险等于市场风险。CAPM 模型的实质是讨论风险与收益的关系,得出某种证券的期望收益取决于该种证券的系统风险,非系统风险在股票定价中不起作用的思想。计算股票期望的收益率的方程式:

()i m f f r r r r β=-+ (1-3)

其中i r 金融市场上的预期收益率,f r 为无风险收益率,m r 为市场组合的

预期收益率。2im m

σβσ=,im σ代表某一项资产的收益率和“市场组合”的收益

率之间的协方差,m σ代表“市场组合”的收益率的标准差。

引发问题:假设条件多且过于苛刻,现实中难以实现。

(3)套利定价模型(ATP )

1976年,耶鲁大学的斯蒂芬·A ·罗斯在《经济学理论杂志》上发表了文章“资本资产定价的套利理论”,提出了套利定价模型(Arbitrage Pricing Theory )。与CAPM 模型比,ATP 模型的假设条件较少。其数理推导过程为,先建立统计回归模型,用模型说明基本面信息是怎样转换到股价上去的,并根据模型计算的股票相对内在价值与其市价进行比较,进而发现股价是被市场高估还是被市场低估,由此指定相应的投资策略。APT 模型分为单因素下的套利定价方程和多因素下的套利定价方程。

单因素定价方程:

,1,n t j j j t i i i i P f P a f e n =?? ? ???=+*+∑ (1-4)

其中,t i P 表示t 时刻股票i 的价值,,t j P

表示t 时刻类似股票j 的股价(j=1、2、……n ),,1n t j j j P f n =?? ? ???∑为因素i f 的相关系数,j f 为类似股票

j 的财务指标(主要有每股收益、每股净资产和每股销售收入等),

i f 表示股票i 与j f 相应的财务指标,也称之为“因素值”, i a 表是回归方程参数,i e 表示随即误差。

多因素定价方程假设股票价格P 受到1x 、2x 、……、n x 这n 个因素影响,排除次要因素,得到相关性比较小的重要因素:1x 、2x 、……、m x 。然后用统计回归方法,得到计量模型:

*01122......m m P x x x αααα=++++ (1-5) 其中*P 为股票的相对内在价值,实际股价为P ,并用*P P 与1比较来决定投资策略。

引发问题:影响的一系列因素还不确定,比如三因素模型(市场因素、规模因素、账面权益因素)收到诸多学者质疑。2.3 现代金融工程

(1)B-S公式

票价格的波动率,f是Ito定理用于衍生证券的函数,是关于S、t的函数。在一定边界条件下,对此公式求解,从而得到期权的价值。

引发问题:B-S公式给出的是完全市场条件下欧式期权的定价过程,不完全市场下的期权定价机制还没有解决。

(2)二项式期权定价(CRR)模型

1979年,罗斯、斯坦福大学的约翰·C·考克斯(John C Cox)和加利福尼亚大学伯克利分校的马克·鲁宾斯坦(Mark Rubinstein)在《金融经济学杂志》上发表论文“期权定价:一种简单得方法(Option Pricing:A simplified approach)”,该文提出了一种简单的、对离散时间的期权定价方法,被称为Cox-Ross-Rubinstein二项式期权定价模型(CRR模型)。

CRR模型是在离散的时间框架下对期权的估值。利用风险中性模式,该方法基于股票价格建立二叉树格点。

引发问题:CRR模型仅限于欧式期权定价,对于美式期权定价还有待研究。

第二章股票预期价格定价模型

一、模型的思想起源

从股票定价理论的发展来看,都是从分析股票的内在价值入手,分析股票能带的收益。从早期分析公司的经营状况,并预测发展趋势,结合诸多因素来分析股票价格波动。

本文认为,交易者作为行为主体,对股票价格有直接的影响。假设投资者甲认为某个股有上涨趋势,或者能来来的股息收入不错,他就会买入;相反卖出方,投资者乙认为某个股没有持有价值,所以选择卖出。从这个观点出发,买入得到的收益是建立在卖出方的损失上的。例如投资者甲从投资者乙买入一定量的股票,将来这股票的收益远大于交易时股票的价值,这表明投资者甲是从投资者乙“夺取”收益;相反股票贬值,投资者甲就是投资损失的一方。

这里有必要对交易者行为进行说明,从个人交易者来说,其行为取决于个人的交易策略和交易技巧。交易策略是指交易者面对每一次交易时,对交易内容所做出的审慎思考和抉择的指导性方法或原则。交易策略有很多,所有交易策略都能解决选股和选时问题,比如买入一直持有策略、追高杀跌策略、高抛低吸策略、正反馈交易策略、动量交易策略、反转交易策略、消极投资策略等等。但是我们很难评判哪些交易策略优于其它交易策略。在不同的市场环境中,不同的交易策略适应性不同,所以一种交易策略在不同的环境下带来的效果也不同。当股票市场进入投机性上升阶段时,卖出股票;当股票市场进入非理性下跌阶段时,买入股票。这是利用股票市场的循环演化原理,考虑市场周期性变化所提出的策略。凯恩斯在《就业、利息和货币通论》(徐毓枬译)中写道:“股票价格乃代表证券市场之平均预期。”这直接说明了证券市场的主体交易者的直接影响。对于股票价格的变动,“除非我们有特殊理由预测未来会有改变,否则我们即假定现存状况会无定期继续下去”。我国证券市场的主演问题大多集中在信息方面。经济学家们解释:从信息的占有程度出发,假定股价内在规律性会被根据预期而追求超额利润的市场力量迅速抵消,则新信息的出现不断改变投资者对股票的预期并促进其不断挖掘信息,从而使价格迅速运动至合理位置。从社会观点看,要使得投资高明,只有增加我们对于未来之了解;但从私人观点,所谓最高明的投资,乃是先发制人,智夺群众,把坏东西让给别人。

根据市场价格和投资者的直接关系,本文作如下假设:①投资者对股票价格的预期价位有多个,且每个价位的概率不同;②个人投资者从市场买入或卖出,不影响股票市场的即时价格;③投资者在市场上可以买入愿意且能够买入的数量或者卖出手中所持股票;④交易者足够多。

在假设基础上,本文用卡方分布拟合,投资者对每个价位估计的概率与α分位数上侧的概率对应并且拟合,得出自由度υ,由于卡方分布的自由度等于期望,然后用期望的差价和即时价格相加,得出此投资者对股票的预期价格。

二、2χ分布

定义:设随机变量1X 、2X 、……,n X 服从标准正太分布N(0,1),则称

21n

i i X ξ==∑

是自由度为n 的2χ变量,其分布称为自由度为n 的2χ分布,记为2~n ξ

χ。

随机变量自由度为n 的概率密度函数为 12221

02

(2)

00(){n x n x e x n n x g x -->Γ≤= , 2n

χ的密度函数形状图如图所示:

2n χ的密度函数()n g x 形状图

2n χ的密度函数的支撑集(即使密度函数为正的自变量的集合)为(0,)+∞,由上图可见自由度n 越大,2χ的密度曲线越趋近于对称(由中心极限定理知当n →∞时,他趋于正太分布),n 越小,曲线越不对称。当n=1,2时曲线是单调下降趋于0;n 大于等于3时曲线有单峰,从0开始先单调上升在一定位置达到峰值,然后单调下降趋向于0。

2χ分布性质之一就是随机变量ξ的均值和方差分别为(),()2E n D n ξξ==。

这是本文要用到的一个性质。

三、 预期价格定价模型

2.3.1 看涨预期模型

假定投资者甲预期某股票会上涨,但是对具体上涨多少并不确定。但是他可以这样估计,股价落在什么区间的概率是多少。假设在t 时刻的市场交易价格为t p ,称为即时价格。从t p 到正无穷大,分成无数个区间(extent ),每个价

格区间都表示一段价格的范围,每一个区间长度为d ,则第一个区间为(,]t t p p d +,第二个区间为(,2]t t p d p d ++,……。预期价格落在第1个区间的概率为1β,此时价格为1p ;落在第2个区间的概率为2β,此时价格为2p ,以此类推,落在第k 个区间的概率k β,此时价格为k p 。由于

1

1j j β

+∞==∑, 则预期价格*p 的计算公式为 *1j j j p p β+∞

==∑

1()j t t j j p p p β+∞

==-+∑

11j j t j j j p p ββ+∞+∞

===?+∑∑

1t j j j p p β+∞

==+?∑ (2-1)

其中,j j t p p p ?=-,当1j =时,0j p ?→。

以p ?为随机变量,可得分布列:

所以可以得到

1()j j j E p p β+∞

=?=?∑, (2-2)

要求得投资者甲预期价格,就必须先求出()E p ?。

由上述可以知道0p ?>,是随机变量,属于离散分布。投资者甲在预期一个价格时,概率分布是先增后减。这是人性的一个合理假设,投资者甲认为某个预期价格的概率会达到极大。这点和卡方分布的密度函数在逻辑上相符合。

以p ?为横轴,概率密度()g p ?为纵轴,在右半横轴同样分成无数个区间,区间长度为d ,在自由度υ适当时,可以得到拟合公式:

()j j g p d β≈??(j =1、2、……) (2-3) 其中,()j g p ?为某个区间的密度函数估计值。

通过拟合可以找出适当的自由度υ,且在随机变量p ?服从卡方分布的基础上,根据卡方分布的期望值等于自由度,得到

()E p υ?= (2-4)

最后有式(2-1),(2-2),(2-4)得到预期价格的计算公式

*t p p υ=+ (2-5) 式(2-5)就是股票价格预期模型。

2.3.2 看跌预期模型

和看涨模型类似,不同之处就是随机变量p ?表示某股票跌落的差价。另外看涨模型的区间是在(,)t p +∞分成无数区间,但看跌模型不能是趋于负无穷大。但是这里仍用卡方分布拟合,可以用截尾的方法截尾后拟合,把负数那部分截去,这样做也是合理的,因为那部分概率可以忽略,这和实际情况股票价格趋近于零的概率相符合。

通过类似的拟合,也可以得到差价的期望值,也就是自由度υ。所以看跌股票价格预期模型为

*t p p υ=- (2-6)

2.3.3 预期价格

无论上面是看涨模型还是看跌模型,都代表一个投资者对股票价格的预期。每个投资者都有多个预期价格,通过股票价格预期模型(2-5)、(2-6)可以求得一个期望值。但是个人不代表市场,但是我们从理论上可以知道所有投资者的价格期望值,最后得出市场预期价格p 。

①当即时价格t p p >,则采取的行为是卖出手中持有股做空;

②当即时价格t p p <,则采取的行为是买进此类股票做多。

但是在现实中,不可能知道所有人的预期,所以市场预期价格p 难以求得。但是这并不是代表此模型没有意义,下面讲到模型基于统计取样的应用。

第三章 模型基于统计取样的应用

上一章介绍了股票价格预期模型,从理论上说明价格期望值的存在。但是从投资者的角度,不可能花过多的成本去统计所有交易者的价格期望值,所以在此基础上建立采样方法。

令第k 个投资者的持股且愿意卖出的数量为k m ,这是对于想做空者而言;

对于想做多者,是愿意且能够买入的股数为k m 。令第k 个投资者预期价格为k p 。如果预期价格大于市场即时价格,投资者会继续持有或买入,直到达到预期价格时才考虑卖出;相反如果预期价格小于市场即时价格,投资者抛出或者不买,直到价格降到预期价格以下时才考虑买进。

随机取L 个投资者作为样本,则得到这L 个投资者的预期价格是L p ,这里要说明的是这L 个投资者都是所研究的个股的投资者。所以可以得到

1

1L k

k k L L k

k p m p m ===∑∑ (3-1)

当L 代表所有投资者时,L p 就是市场的价格期望值。当L 只代表部分随机取样的投资者时,当L 越大,则L p 越趋近于市场的价格期望值,在实际应用中可以考虑到成本的,采取适当的L 。下面举例取10个(即L=10)投资者的预期(实际应用可以更多,这样才能更有效的选择投资策略):

投资者的预期价格表

145001690020700131200135001780019150012600181400111600

5009007001200500800150060014001600

L p ?+?+?+?+?+?+?+?+?+?=+++++++++ 15.4≈(元)

所以,预期价格约为15.4元。如果即时价格小于预期价格比如是13.5元,则投资者可以买进;相反,可以卖出。

另外还要解决两个问题:第一个问题是预期价格需要多个投资者的单独预

期,如果这些投资者合作,经过预期后改变原来策略。由于这些投资者只能代表部分,由模型假设,这些投资者不影响市场交易,所以不会影响市场预期价格。第二个问题是当进行合作共同预期时,并不代表这些投资者的共同预期价格一定接近市场预期价格p,由于这只是部分人的预期,与整体存在差异,根据这种方法来决定投资策略也存在风险。由于采样越多,

p就越趋近于p,这与踏准大

L

众的步伐相符。

第四章总结分析

第四章总结分析

股票预期价格模型的特色是不去研究一些影响股票价格的因素,而是直接研究投资者的预期,虽然没有得到股票内在价值,但是却遵循市场的发展规律,在交易者交易的基础上研究价格。另外,此模型的价格预期概率分布采用卡方分布拟合,拟合的优处是价格预期的概率分布在逻辑上和卡方分布相似。

此模型的不足之处是,对于用卡方分布拟合求自由度是,存在误差,且在求自由度时需要很大的工作量。利用统计采样时也存在风险,且由于不可能得到所有人的预期,所以风险不能消除。解决方案是越多人越准确。

结论是多个人可以事先独立预期,并决定预期买卖数量。然后再由多个人结合起来,作为整体的采样样本,就得结合的预期价格,这样与即时价格比较,看是否大于或小于它来决定投资策略。只是投资者在预期时,由于市场的变动不定向,而且变动快,所以要定期预期,以便新的决策。

最后说到投资者,投资者情绪与认知偏差的存在使投资无法做到理性预期、风险回避、效用最大化,其非理性的行为会导致市场无效,使资产价格偏离内在价值。这正如股王巴菲特所说:“事实上,人们充满了贪婪、恐惧或者愚蠢的念头,这点是可以预测的,而这些念头导致的结果却是不可预测的。”

致谢

第五章参考文献

[1]徐毓枬译,《就业、利息和货币通论》(英凯恩斯),译林出版社,2011

[2]周洛华,《中级金融工程学》,上海财经大学出版社,2005

[3]刘卫国,《MATLAB程序设计与应用(第二版)》.高等教育出版社,2006

[4]商孟华,《基于演化范式的股票定价理论研究》,2007

[5]陈海明许琳,《股票定价理论的发展及其对我国的使用性研究》,2003

[6]Benjamin Graham and David Dodd, Security Analysis, Fifth Edition, New

York, McGraw-Hill Inc., 1988

[7]Benjamin Graham,The Intelligent Investor, Fourth Edition, New York,

HarperCollins Publishers, Inc.,1997

[8]罗伯特·J·希勒,《非理性繁荣》,中国人民大学出版设,2004

[9]闫妍朱晓武熊爱民李权葆陈晓松,《金融危机前后世界主要股票指数的

金融风险:基于t分布的实证研究》,2011

个股期权重要计算公式

1实值认购期权的内在价值=当前标的股票价格- 期权行权价, 2实值认沽期权的行权价=期权行权价- 标的股票价格。 3.时间价值=是期权权利金中- 内在价值的部分。 4. 备兑开仓的构建成本=股票买入成本–卖出认购期权所得权利金。 5. 备兑开仓到期日损益=股票损益+期权损益 =股票到期日价格-股票买入价格+期权权利金收益-期权内在价值(认购==当前标的股票价格- 期权行权价) 6. 备兑开仓盈亏平衡点=买入股票成本–卖出期权的权利金 7. 保险策略构建成本= 股票买入成本+ 认沽期权的权利金 8. 保险策略到期损益=股票损益+期权损益 =股票到期日价格-股票买入价格-期权权利金+期权内在价值(认沽=期权行权价- 标的股票价格) 9. 保险策略盈亏平衡点=买入股票成本+ 买入期权的期权费 10. 保险策略最大损失=股票买入成本-行权价+认沽期权权利金 11. 买入认购若到期日证券价格高于行权价,投资者买入认购期权的收益=证券价格-行权价-付出的权利金 12. 买入认购到期日盈亏平衡点=买入期权的行权价格+买入期权的权利金 13. 买入认沽若到期日证券价格低于行权价,投资者买入认沽期权的收益=行权价-证券价格-付出的权利金 14. 买入认沽到期日盈亏平衡点=买入期权的行权价格-买入期权的权利金 15.Delta=标的证券的变化量/期权价格的变化量 16. 杠杆倍数=期权价格变化百分比/与标的证券价格变化百分比之间的比率 =(标的证券价格/期权价格价格)*Delt 17. 卖出认购期权的到期损益:权利金- MAX(到期标的股票价格-行权价格,0) 18. 卖出认购期权开仓盈亏平衡点=行权价+权利金 19. 卖出认沽期权的到期损益:权利金-MAX(行权价格-到期标的股票价格,0) 20. 认沽期权卖出开仓盈亏平衡点=行权价-权利金 21认购期权义务仓开仓初始保证金={前结算价+Max(25%×合约标的前收盘价-认购期权虚值,10%×合约标的前收盘价)}*合约单位; 22.认沽期权义务仓开仓初始保证金=Min{前结算价+Max[25%×合约标的前收盘价-认沽

股票预测模型【运用ARIMA模型预测股票价格】

股票预测模型【运用ARIMA模型预测股票价格】 [摘要]ARIMA模型是时间序列中十分常见和常用的一种模型,应用与经济的各个领域。本文基于ARIMA模型,采用了莱宝高科近67个交易日的数据,对历史数据进行分析,并且在此基础上做出一定的预测,试图为现实的投资提供一些参考信息。[关键字]ARIMA模型;股价预测;莱宝高科一、引言时间序列分析是从一段时间上的一组属性值数据中发现模式并预测未来值的过程。ARIMA模型是目前最常用的用于拟合非平稳序列的模型,对于满足有限参数线形模型的平稳时间序列的分析,ARIMA在理论上已趋成熟,它用有限参数线形模型描述时间序列的自相关结构,便于进行统计分析与数学处理。有限参数线形模型能描述的随机现象相当广泛,模型拟合的精度能达到实际工程的要求,而且由有限参数的线形模型结构可推导出适用的线形预报理论。利用ARIMA 模型描述的时间序列预报问题在金融,股票等领域具有重要的理论意义。本文将利用ARIMA模型结合莱宝高科的数据建立模型,并运用该模型对莱宝的股票日收盘价进行预测。二、ARIMA模型的建立 2.1ARIMA模型简介ARIMA是自回归移动平均结合模型的简写形式,用于平稳序列或通过差分而平稳的序列分析,简记为ARIMA(p,d,q)用公式表示为:△dZt=Xt=ψ1Xt-1+ψ2Xt-2+?+ψpXt-p+at-θ1at-1-θ2at-2-?-θqat-q 其中,p、d、q分别是自回归阶数、差分阶数和滑动平均阶数;Zt是时间序列;Xt是经过d阶差分后的时间序列值;at-q是时间为t-q的随机扰动项;ψp、θq分别是对应项前的系数。 2.2模型建立流程(1)平稳性检验以2010-3-4到2010-6-10的“莱宝高科”(002106)股票的收盘价作为模型的数据进行建立时间序列模型:做出折线图观察数据的特征:进行单位根检验,判别序列是否为平稳序列;若一阶差分后的数据为平稳序列,可以建立时间序列模型。说明原数据为一阶单整。(2)模型的选择和参数的估计根据数据的平稳性特征,初步确定建立ARIMA模型。观察一阶差分以后的序列的自相关函数和偏自相关

对股票收益率时间序列的检验研究

金融学 对股票收益率时间序列的非线性及机制转变的检验研究 王煦逸1林阳春2 (同济大学中德学院,上海 200092) 0 引言 近年来,对金融市场的时间序列的进行建模,试图通过计量经济学模型解释金融市场时间序列的内在关系一直是金融经济学和计量经济学研究的热点课题。关于金融市场的研究也大都集中于研究金融资产收益率。Campbell,Lo,MacKinlay认为金融资产收益率可以更好地解释投资的机会收益,同时金融资产收益率时间序列由于本身的统计特性也能更容易建立成模型。传统的金融资产收益率时间序列模型以线性关系为假设,最重要的是随机游走假设和ARMA模型。 关于随机游走假设的研究主要是讨论金融资产收益率的可预测性。一般来说,关于实证检验随机游走假设的研究十分困难,原因在于过去和将来的价格变化之间的独立性很难被直接检验出来。Granger和Morgenstern(1964)在美国的股票市场,Cristina Del Rio(1997)在西班牙的股票市场,Conrad和Jüttner(1993),Ronning(1974),Mühlbradt(1978)和M?ller(1986)在德国的股票市场上的研究都否定了随机游走假设。Conrad和Jüttner(1973)认为,连续的价格变化随机性地相互独立,许多股票收益率分布都存在显著的独立性。通过随后大量的研究发现,ARMA过程对于描述金融资产收益率时间序列是十分合适的,因为在这种情况下参数和矩函数都比较容易确定。1970年,Box/Jenkins(1976)解释了ARMA模型建立和参数估计的问题。从70年代开始,大量关于金融资产收益率的时间序列的线性模型研究都采用了ARMA与其扩展模型,实证研究表明,ARMA模型可以较好地解释金融资产收益率的时间序列的线性结构。然而由于金融资产收益率时间序列特殊的统计性质,80年代以来,越来越多的研究结果表明了金融资产收益率时间序列具有的非线性的关系,传统的金融资产收益率时间序列线性模型已经不能完整的刻画金融资产收益率时间序列的分布。90年代以来,关于金融资产收益率时间序列的非线性建模取得了很大的成功。Maravall(1983)用Bilinear模型研究了西班牙金融市场上的股票收益率。根据研究结果Maravall 认为,通过Bilinear模型可以修正由ARMA模型产生的10%的预测错误。Clements和Krolzig (1998),Rothman(1998)则利用了TAR模型成功地模拟了美国宏观经济指标的分布。De Gooijer (1998),Potter(1995),Montgomery等等的研究也得出了相似的结果。随着时间的推移,越来越多的经济科学家都致力于用研究金融资产收益率时间序列的非线性建模。例如,Granger和Anderson(1978)的Bilinear模型,Tong(1978)的TAR模型,Priestley(1980)的State Space模型,Hamilton(1989)的MRS模型。在用非线性模型描述金融资产收益率时间序列之前,首先必须解决下列问题: 1)线性模型(例如ARMA模型)是否足以描述德国股市DAX30收益率时间序列? 2)在DAX30 收益率时间序列中是否存在非线性和机制转变呢? 为了回答这两个问题,在本论文中,通过对德国股票市场DAX30指数的收益率时间序列进行实证研究,并对DAX30指数收益率时间序列的非线性性质和机制转变性质进行检验。 1 金融资产收益率时间序列的非线性检验 由于许多复杂的时间序列过程并不能通过线性模型完全描述出来,对于非线性模型的应用逐渐受到人们的关注。对时间序列的非线性检验则成为一个对时间序列成功建模的前提条件。只有能够成功地检测出时间序列非线性的性质,对时间序列的非线性分析才有意义。80年代以来非线性检验逐渐成为金融市场理论的一个重要的研究领域,在这种情况下,很多用于非线性检验的新方法和技术应运而生,例如McLeod-Li -检验,Bispectral检验,BDS检验,RESET检验,F检验,神经网络非线性检验等等。由于时间序列非线性的来源无法得知,因此哪种检验方法最好也很难下定论。本文将采用部分检验方法,如McLeod-Li -检验和BDS检验。 1王煦逸:管理学博士,同济大学中德学院内部控制学基金教席教授, 同济大学中德学院泽尔腾经济管理研究所常务副所长, 研究方向为行为金融,、金融风险控制和商业银行管理 2林阳春:经济学硕士,同济大学中德学院内部控制学基金教席,研究方向为资本市场,公司治理和风险控制;本项目由德国蒂森克虏伯公司基金资助

中国证券市场股票价格预测模型综述

中国证券市场股票价格预测模型综述 王 浩 (洛阳理工学院工程管理系,洛阳 471023)* 摘 要:中国金融市场的证券价格存在着可预测成分。现有的各种统计预测方法基本都可以归纳为时间关系模型和因果关系模型两大类,详细分析了各种模型的实现方法并总结了其特点。 关键词:预测;股票价格;统计模型;综述do:i 10.3969/j .issn .1000-5757.2009.07.058 中图分类号:F830191 文献标志码:A 文章编号:1000-5757(2009)07-0058-03 一、证券市场可预测性 有效市场理论指出,证券价格呈现随机游走特征,因此技术分析和掷骰子选出的股票,最终表现相差无几。大量分析却发现中国股票价格波动具有长期记忆性,拒绝了随机游走假设,即股市涨跌存在自身的规律,无论长期和短期都存在着可预测的成分,因而技术分析是有用的,通过采用 相应策略,投资者可以获得超常利润。[1] 中国证券市场呈 现弱有效性的原因可能在于,作为一个新兴市场,法制、监管等因素造成市场信息传递效率低下,投资者在博弈中存在严重的信息和资金实力不对称,而且这种不对称状态并不能在市场中迅速消除,因此F a m a 所描述的概率上的/瞬时性0还无法达到,而这种市场结构的特点,使得某些/技术分析0成为信息挖掘的成本。 由于股票指数序列呈现高度的非线性,经典计量经济模型和时间序列模型的有效性受到了挑战。现代预测理论和统计学、信息技术、优化算法紧密结合,向复杂化和智能化方向发展。至少目前在我国,各种预测技术方兴未艾,投资者按照自己的经验采用各不相同的指标作为决策依据,在市场上低买高卖,获得了成功,也经历过失败。 二、主要预测模型1.神经网络模型 神经网络是一种大规模并行处理系统,具有良好的自学习能力、抗干扰能力和强大的非线性映射能力,能够从大量历史数据中进行聚类和学习,自动提取样本隐含的特征和规则,进而找到某些行为变化规律,可以实现任何复杂的因果关系。BP (反向传播)和RBF (径向基函数)神经网络是最常见的股市预测模型。崔建福等发现BP 模型普遍显著优于 GARCH (广义自回归条件异方差)模型,从而认为对股票价格这样波动频繁的时间序列,从非线性系统角度建模略胜于 从非平稳时间序列角度建模。[2] 由于传统算法收敛速度慢且 全局寻优能力差,更多研究将精力放在对神经网络结构和参数的改进上。丁雪梅等发现改进后BP 算法的预测结果比 回归预测、指数平滑预测和灰色预测都要好。 [3]神经网络预测方法的应用有两个明显特点。一方面,统计模式识别和数字信号处理等领域的特征选择和提取方法,如小波包最优分解方法、混沌吸引子理论、K a l m an 滤波算法、主成分分析、灰色系统理论,广泛用于神经网络输入参数的甄别。另一方面,新的网络模型不断被应用于证券预测实践以提高映射效率,如模糊神经网络和小波神经网络。预测结果明显优于普通神经网络模型。 神经网络的缺陷在于,网络结构只能事先指定或应用启发式算法在训练过程中寻找,需要在充分了解待解决问题的基础上,主要依靠个人经验来确定,没有统一的规范,往往需要通过反复改进和试验,最终才能选出一个相对较好的设计方案,并且网络训练过程易陷入局部极小点。不过,神经网络最致命缺点在于,无法表达和分析预测系统的输入输出之间的关系,难以解释系统输出结果。 2.灰色系统和随机过程模型 灰色预测普遍采用灰色系统模型,经由累加过程削弱原始数据的随机干扰,突出系统所蕴涵的内在规律,然后建立动态预测模型。马尔可夫过程是无后效性的随机过程,是一种应用极为广泛的传统方法。灰色系统GM (1,1)模型的解为指数型曲线,几何图形较为平滑,比较适用于具有增长趋势的问题,而对随机性波动较大的数据进行预测,会 58 第25卷 第7期V o.l 25 四川教育学院学报 J OURNAL OF S I CHUAN C O LLEG E OF EDU CAT I ON 2009年7月 Ju.l 2009 * 收稿日期:2009-02-23 作者简介:王浩(1973)),男,河南西峡人,副教授,硕士,研究方向:区域经济发展理论与数量分析。

个股期权重要计算公式

个股期权重要计算公式文稿归稿存档编号:[KKUY-KKIO69-OTM243-OLUI129-G00I-FDQS58-

1实值认购期权的内在价值=当前标的股票价格 - 期权行权价, 2实值认沽期权的行权价=期权行权价 - 标的股票价格。 3.时间价值=是期权权利金中 - 内在价值的部分。 4. 备兑开仓的构建成本=股票买入成本–卖出认购期权所得权利金。 5. 备兑开仓到期日损益=股票损益+期权损益 =股票到期日价格-股票买入价格+期权权利金收益-期权内在价值(认购==当前标的股票价格 - 期权行权价) 6. 备兑开仓盈亏平衡点=买入股票成本–卖出期权的权利金 7. 保险策略构建成本 = 股票买入成本 + 认沽期权的权利金 8. 保险策略到期损益=股票损益+期权损益 =股票到期日价格-股票买入价格-期权权利金+期权内在价值(认沽=期权行权价 - 标的股票价格) 9. 保险策略盈亏平衡点=买入股票成本 + 买入期权的期权费 10. 保险策略最大损失=股票买入成本-行权价+认沽期权权利金 11. 买入认购若到期日证券价格高于行权价,投资者买入认购期权的收益=证券价格-行权价-付出的权利金 12. 买入认购到期日盈亏平衡点=买入期权的行权价格+买入期权的权利金 13. 买入认沽若到期日证券价格低于行权价,投资者买入认沽期权的收益=行权价-证券价格-付出的权利金 14. 买入认沽到期日盈亏平衡点=买入期权的行权价格-买入期权的权利金

15.Delta=标的证券的变化量/期权价格的变化量 16. 杠杆倍数=期权价格变化百分比/与标的证券价格变化百分比之间的比率 =(标的证券价格/期权价格价格)*Delt 17. 卖出认购期权的到期损益:权利金- MAX(到期标的股票价格-行权价格,0) 18. 卖出认购期权开仓盈亏平衡点=行权价+权利金 19. 卖出认沽期权的到期损益:权利金-MAX(行权价格-到期标的股票价格,0) 20. 认沽期权卖出开仓盈亏平衡点=行权价-权利金 21认购期权义务仓开仓初始保证金={前结算价+Max(25%×合约标的前收盘价-认购期权虚值,10%×合约标的前收盘价)}*合约单位; 22.认沽期权义务仓开仓初始保证金=Min{前结算价+Max[25%×合约标的前收盘价-认沽期权虚值,10%×行权价],行权价}*合约单位; 认购期权虚值=max(行权价-合约标的前收盘价,0) 认沽期权虚值=max(合约标的前收盘价-行权价,0) 23. 认购期权义务仓持仓维持保证金={结算价+Max(25%×合约标的收盘价-认购期权虚值,10%×标的收盘价)}*合约单位; 24.认沽期权义务仓持仓维持保证金=Min{结算价 +Max[25%×合约标的收盘价-认沽期权虚值,10%×行权价],行权价}*合约单位; 认购期权虚值=max(行权价-合约标的收盘价,0) 认沽期权虚值=max(合约标的收盘价-行权价,0)

数学建模预测股市走向

2012年A股市场涨跌预测 摘要 本文主要解决了预估未来一年时间内A股市场的涨跌变化的问题。 首先通过收集2011年的上证A股指数每天开盘后的收盘价,对其进行分析处理,作出A股收盘价指数的走势图观察后,然后对数据作级比分析,得知一部分级比数据不在区间() 0.9474中,故先对数据进行变换,变换后的数据 , 1.0555 的级比都落在了上述区间中。然后通过分析建立灰色预测)1,1( GM模型,代入数据求解模型,并进行参数检验,先进行残差检验,得出预测模型的精度为:96.69%;然后进行相关度检验,检验合格;但是在进行后验差检验中的小概率检验时不合格,故又对模型进行残差修正后,用修正模型预测出2012年的上证A股指数的收盘价,但是由于灰色预测模型在预测长期数据时误差有可能增大,故用2011年的实际数据与用灰色预测模型预测2011年收盘价值之间的误差值修正了2012年A股指数的预测值。为使预测值更准确,又采用了马尔科可夫链模型预测出每天的涨幅情况来进一步修正预测值,得到了更精确的预测结果。预测上证A 股指数在2012年233天的收盘价分别为:2236.5 2221.5…1574.7 1601.9。其收盘价走势图为: 关键词:A股灰色预测马尔可夫链模型预测

问题重述 未来一年时间A股市场涨跌的评估预计 A股即人民币普通股票,是中国大陆机构和个人投资的主要股票。A股市场的涨跌受经济形势,国家政策,外部环境以及投资者心态等多个因素影响。2011年A股市场的上证指数和深成指数都出现暴跌,使投资者蒙受了很大的损失。 请查阅网上的资料和数据。建立数学模型,定量分析并预估未来一年时间内A股市场的涨跌变化。 符号说明 α----------为发展灰度数 μ---------为内生控制灰度 )(t X------表示在时间244 ... 2,1 ,= t t时的股票收盘价 r----------表示关联度 S1-------- 表示序列)(t X的标准差 S2--------表示绝对误差序列的标准差 C----------表示方差比 A i---------表示对数据划分区间,244) 1,2, (i? = p ij --------表示第i状态转移到第j状态的概率18 .... 2,1 ,= j i I0------------表示时刻0处于状态18 ... 2,1 = j的概率 i k j1+-----------表示经过k步转移后处于状态18 ... 2,1 = j的概率 模型假设 (1)运用的数据的来源是有效的,在统计过程中无错误 (2)假设无人为操纵股市的走向,为随机数据 (3)假设2009年到2011年无统计数据的日期为股市休息日 模型分析 一、问题的分析 因为A股指数包括上证A股指数与深成A股指数,选择其中一个进行分析即可,所以就不妨选择上证A股指数2011年1月4日到2011年12月30日的每天

股票价值计算

1:希望你不要认为自己拥有的股票仅仅是一纸价格每天都在变动的凭证,而且一旦某种经济事件或政治事件使你紧张不安就会成为你抛售的候选对象.相反,我希望你将自己想象成为公司的所有者之一,对这家企业你愿意无限期的投资,就像你与家庭中的其他成员合伙拥有的一个农场或一套公寓. 2:如果我们有坚定的长期投资期望,那么短期的价格波动对我们来说就毫无意义,除非它们能够让我们有机会以更便宜的价格增加股份. 3:投资成功的关键是在一家好公司的市场价格相对于它的内在商业价值大打折扣时买入其股份.内在价值是一个非常重要的概念,它为评估投资和企业的相对吸引力提供了唯一的逻辑手段.内在价值的定义很简单:它是一家企业在其余下的寿命史中可以产生的现金的折现值. 4:我们的投资方式只是与我们的个性及我们想要的生活方式相适应,为了这个原因,我们宁愿与我们非常喜欢与敬重的人联手获得回报X,也不愿意通过那些令人乏味或讨厌的人改变这些关系而实现110%的X. 5:我认为投资专业的学生只需要两门教授得当的课堂??如何评估一家公司,以及如何考虑市场价格. 6:必须要忍受偏离你的指导方针的诱惑:如何你不愿意拥有一家公司十年,那就不要考虑拥有它十分钟. 7:我们欢迎市场下跌,因为它使我们能以新的、令人感到恐慌的便宜价格拣到更多的股票. 8:恐惧和贪婪这两种传染性极强的灾难的偶然爆发会永远在投资界出现.这些流行病的发作时间难以预料,由它们引起的市场精神错乱无论是持续时间还是传染程度同样难以预料.因此我们永远无法预测任何一种灾难的降临或离开,我们的目标应该是适当的:我们只是要在别人贪婪时恐惧,而是别人恐惧是贪婪. 9:我们的目标是使我们持股合伙人的利润来自于公司,而不是其他共有者的愚蠢行为. 10:投资者应考虑企业的长期发展,而不是股票市场的短期前景.价格最终将取决于未来的收益 .在投资过程中如同棒球运动中那样,要想让记分牌不断翻滚,你就必须盯着球场而不是记分牌. 11:价格是你所付出去的,价值是你所得到的,评估一家企业的价值部分是艺术部分是科学. 12:巨大的投资机会来自优秀的公司被不寻常的环境所困,这时会导致这些公司的股票被错误的低估. 13:理解会计报表的基本组成是一种自卫的方式:当经理们想要向你解释清企业的实际情况时,可以通过会计报表的规定来进行.但不幸的是,当他们想要耍花招时(起码在部分行业)同样也能通过会计报表的规定来进行.如果你不能识别出其中的区别,你就不必在资产选择行业做下去了. 14:如何决定一家企业的价值呢?—做许多阅读:我阅读所注意的公司的年度报告,同时我也阅读它的竞争对手的年度报告. 15:每次我读到某家公司削减成本的计划书时,我都想到这并不是一家真正懂得成本为何物的公司,短期内毕其功于一役的做法在削减成本领域是不起作用的,一位真正出色的经理不会在早晨醒来之后说今天是我打算削减成本的日子,就像他不会在一觉醒来后决定进行呼吸一样 .

基于BP网络的股票数据预测模型

基于BP网络的股票数据 预测模型 姓名:江政 班级:控制2015级 学号:2015028081100015 2016 年6月 26日

需求分析和网络结构设计 根据我们对自然神经系统的构造和机理的认识,神经系统是由大量的神经细胞(神经元)构成的复杂的网络,人们对这一网络建立一定的数学模型和算法,设法使它能够实现诸如基于数据的模式识别,函数映射等带有“智能”的功能,这种网络就是神经网络。其中,BP (Back Propagation )神经网络是1986年由Rumelhart 和McCelland 为首的科学家小组提出,是一种按误差反向传播算法训练的多层前馈网络。BP 网络能学习和存贮大量的输入—输出模式映射关系,而 其他神经网络具有重要作用。 针对150组股票数据进行拟合(详细数据请见《附件1》),选取其中的开盘、最高、最低、收盘和成交次数五组数据,用当日的这五组数据来预测次日的收盘数据,从而等效建立一个股票数据预测模型。采用包括输入层、隐含层和输出层的三层BP 网络结构,如图1所示,输入层包含五个神经元,隐含层包含三个神经元,输出层为一个神经元。其中,隐含层神经元的激活函数采用非对称型Sigmoid 函数,函数表达式为:))exp(1/(1)(x x f -+=,输出层神经元的激活函数采用线性函数,表达式为:x x f =)(。将150组数据分为三等份,其中两份作为训练样本,用来对网络进行训练学习;另外一份作为测试样本,用来检验所训练出的网络的泛化能力。采用BP 算法对隐含层和输出层权值进行修正,以达到计算输出和实际样本输出相差最小,最终实现较精确预测的目的。 图1 预测模型的网络结构

几种常用的股票价值计算法

几种常用的股票价值计算法 1.DDM模型(Dividend discount model /股利折现模型) 2.DCF /Discount Cash Flow /折现现金流模型) (1)FCFE (Free cash flow for the equity equity /股权自由现金流模型)模型 (2)FCFF模型(Free cash flow for the firm firm /公司自由现金流模型) DDM模型 V代表普通股的内在价值,Dt为普通股第t期支付的股息或红利,r为贴现率 对股息增长率的不同假定,股息贴现模型可以分为 :零增长模型、不变增长模型(高顿增长模型)、二阶段股利增长模型(H模型)、三阶段股利增长模型和多元增长模型等形式。 最为基础的模型;红利折现是内在价值最严格的定义;DCF法大量借鉴了DDM的一些逻辑和计算方法(基于同样的假设/相同的限制)。 1. DDM DDM模型模型法(Dividend discount model / Dividend discount model / 股利折现模型股利折现模型) DDM模型 2. DDM DDM模型的适用分红多且稳定的公司,非周期性行业; 3. DDM DDM模型的不适用分红很少或者不稳定公司,周期性行业; DDM模型在大陆基本不适用; 大陆股市的行业结构及上市公司资金饥渴决定,分红比例不高,分红的比例与数量不具有稳定性,难以对股利增长率做出预测。 DCF 模型 2.DCF /Discount Cash Flow /折现现金流模型)DCF估值法为最严谨的对企业和股票估值的方法,原则上该模型适用于任何类型的公司。 自由现金流替代股利,更科学、不易受人为影响。 当全部股权自由现金流用于股息支付时,FCFE模型与DDM模型并无区别;但总体而言,股息不等同于股权自由现金流,时高时低,原因有四: 稳定性要求(不确定未来是否有能力支付高股息); 未来投资的需要(预计未来资本支出/融资的不便与昂贵); 税收因素(累进制的个人所得税较高时); 信号特征(股息上升/前景看好;股息下降/前景看淡) DCF模型的优缺点 优点:比其他常用的建议评价模型涵盖更完整的评价模型,框架最严谨但相对较复杂的评价模型。需要的信息量更多,角度更全面, 考虑公司发展的长期性。较为详细,预测时间较长,而且考虑较多的变数,如获利成长、资金成本等,能够提供适当思考的模型。 缺点:需要耗费较长的时间,须对公司的营运情形与产业特性有深入的了解。考量公司的未来获利、成长与风险的完整评价模型,但是其数据估算具有高度的主观性与不确定性。复杂的模型,可能因数据估算不易而无法采用,即使勉强进行估算,错误的数据套入完美的模型中,也无法得到正确的结果。小变化在输入上可能导致大变化在公司的价值上。该模型的准确性受输入值的影响很大(可作敏感性分析补救)。FCFE /FCFF模型区别

某种股票价格的数据的时间序列模型的建立及分析

教育部直属国家“211工程”重点建设高校 股票价格模型 ——应用时间序列分析期末论文 2013年11月一、实验目的: 掌握用Box-Jeakins方法及Paudit-Wu方法建模及预测 二、实验内容: 应用数据1前28个数据建模,后8个数据供预测检验。 数据1 : 某种股票价格的数据(单位:元)

表1 三、数据检验 1、检验并消除数据长期趋势 法一:图形检验 (1)根据表中数据我们先画出序列图并对序列图进行平稳性分析。 (2)Matlab程序代码 x=[10.5,10.44,9.94,10.25,11,9.88,10.5,12,13.94,12.25,12.61,13.5,13.44,12.44, 13.5,15.39,15.75,13.88,14.5,15.5,16.13,14.75,11.75,15.25,17.13,20.5,19,21.5;] plot(x) xlabel('时间t'); ylabel('观测值x'); title('某种股票价格序列图'); (3)得到图(1) 图(1) (4)观察图形,发现数据存在长期向上的趋势。表示序列是不平稳的。 (5)我们再进一步对数据进行一阶差分,利用Matlab画图。

(6)Matlab程序代码 y=diff(x,1) plot(y) xlabel('时间t'); ylabel('一阶差分之后的观测值y'); title('某种股票价格差分之后序列图'); (7)得到图(2) 图(2) (8)根据图(2)初步判定一阶差分后的序列稳定 法二:用自相关函数检验 (1)用matlab做出原数据自相关函数的图 (2)Matlab程序代码 x=[10.5,10.44,9.94,10.25,11,9.88,10.5,12,13.94,12.25,12.61,13.5,13.44,12.44, 13.5,15.39,15.75,13.88,14.5,15.5,16.13,14.75,11.75,15.25, 17.13,20.5,19,21.5;]; acf1=autocorr(x,[],2); %计算自相关函数并作图 autocorr(x,[],2) acf1 (3)得到图(3)

股市预测模型

股市预测模型 基于混合ARMA模型和支持向量机 摘要:股市预测在以往的文献中已经吸引了大量的研究兴趣。传统上,ARMA模型已经成为时间序列中应用最为广泛的线性模型之一。但是,ARMA模型不能够轻易的捕捉非线性模式。并且最近的研究表明,人工神经网络(ANN)方法比传统的统计的人实现了更好的性能。人工神经网络方法在泛化(generalization)方面经历了一定的困难,但是其生产模式可以过度拟合数据。支持向量机(SVM)一种新型的神经网络技术,在解决非线性回归估计问题上已经得到成功的应用。因此,此次调查提出了在股市预测问题的支持向量机模型上,利用ARMA模型的独特优势试图向用户提供更好的解释力模型的混合方法。股市的真实数据集被使用来研究该模型的预测精度。计算的测试结果是很有前景的。 关键字:BP神经网络,金融时间序列,预测,支持向量机1.引言 股市预测因其高波动和不规则性被认为是具有挑战性的任务。因此,许多模型已经被描绘为投资者提供更精确的预

测。尤其是,人工神经网络(ANN)方法在以前的文献中最为频繁被使用,因为其已知的预测的效率优于其他模型。然而,由于解释神经网络的难度,大多数应用神经网络的研究集中在预测精度。在文献中已被报道,利用人工神经网络模型,以很少的努力提供对破产预测过程更好的理解。此外,由于神经网络的过度拟合在泛化方面具有困难,并且完全取决研究人员的经验或是知识,用于选择大量的包括相关的输入变量,隐含层的大小,学习率以及动量控制参数的预处理。 最近,在1995年首次由Vapnik提出的支持向量机(SVM)方法近来被使用在一系列应用中,包括金融股市预测。支持向量机(SVM)的基础已经被Vapnik开发,由于许多吸引人的特点以及在广泛的问题上优异的泛化性能使其越来越受欢迎。该制定(formulation)体现了结构风险最小化(SRM)原则被常规神经网络采用,且已被证明优于传统的经验风险最小化原则。SRM泛化误差上限的最小化,用术语来说,就是在训练数据中误差最小化。 此外,SVM的解决方案可能是全局最优解,而其他神经网络模型往往会陷入局部最优解。一般来说,支持向量机技术被广泛认为是艺术分类的状态(the state of art classifier),并且以往的研究表明,SVM预测方法优于神经网络的方法。 最初为解决分类问题开发的SVM技术可以成功地在回归中应用。与模式识别问题只需输出是离散值不同,支持向

基于马尔科夫和布朗运动的股票价格预测模型

基于马尔科夫和布朗运动的股票价格预测模型 【摘要】股民希望从研究股票市场价格的变化中得到一些规律,减少自身的损失,但是股票系统本身是一个非常复杂的非线性运动系统,受到多种因素的影响,短期的某种程度的预测能够帮助股民投资,当前经济预测方法有很多,本文主要分析基于马尔科夫和布朗运动的股票价格预测模型,通过实例对比,分析两种模式的联系与区别,希望嫩味股票短期预测模型提供参考。 【关键词】股票价格预测;马尔科夫;布朗运动 马尔科夫理论应用到股票奇偶阿姨市场中,能够预测股价综合指数的涨幅程度,虽然基于马尔科夫的股票价格预测模型具有一定的应用价值,但是也存在很大的局限性。依照道氏理论,股票的运动就有历史再现性,任何一种趋势都会持续一段时间,找到运动特征和时间周期,能够帮助投资者得到更加科学的投资策略,本文主要分析基于马尔科夫和布朗运动的股票价格预测模型。 1.马尔科夫数学模型的建立 股票综合指数的计算均是采用流通量加权平均法,在正常的交易环境下,股价综合指数随着股票价的变化而发生变化,属于比较典型的随机过程。在运用马尔科夫预测股票模型中需要先建立模型,构造股票价格的分布状态,进而检验。设定xn代表股价综合指数出现的概率,并假设股价指数与过去的运行态势无关,具有无后效性的特点,规定出xn在[-10,-2]表示大幅度下降,xn在[-2,-0.5]比那话代表股票价格正常下跌,xn在[-0.5,0.5]表示股票价格出现小幅震荡整理,xn在[0.5,2]表示上涨,xn在[2,10]表示股票价格大幅度上涨。 时间参数以一个交易日作为交易单位,状态空间E={1,2,3,4,5},n=0表示初始值,n时刻转移概率矩阵Pij≥0,矩阵P描述该状态下转移到状态j的概率分布状态,设定Pij(K)表示由状态i转移到状态j的转移概率随着转移步骤的增加,根据变化趋势就能判断系统的稳定性,构造k步转移概率矩阵Pk=Pk1,假设t时间段股价的绝对概率向量采用P(t)=(P1(t),P2(t),…Pn(t))T,其中Pi(t)代表t时间段第i区的绝对概率,给定初始概率向量的情况下,t各时间段的股价预测模型为P(t+k)=P(0)P1=P(0)Pt1。 2.布朗运动的预测模型 在描述股票运动的过程中,认为符合布朗运动,采用dSi/St=μdt+δdwt表示,式中St代表t时刻的股票价格,μ代表期望漂移率,δ代表波动率,在间隔Δt 时间段内dlnSt=(μ-δ2/2)dt+δdwt,dwt代表股票的瞬间收益率,布朗运动服从正态分布,股价运动的形式可以采用dSt=μStdt+δStdt表示,依照Tto定理,股价St在任意时间段内服从对数正态分布。 根据股票价格St在任意时间段服从对数正态分布,得到随机微分方程的离

股票预测模型

2014高教社杯全国大学生数学建模竞赛 承诺书 我们仔细阅读了《全国大学生数学建模竞赛章程》和《全国大学生数学建模竞赛参赛规则》(以下简称为“竞赛章程和参赛规则”,可从全国大学生数学建模竞赛网站下载)。 我们完全明白,在竞赛开始后参赛队员不能以任何方式(包括电话、电子邮件、网上咨询等)与队外的任何人(包括指导教师)研究、讨论与赛题有关的问题。 我们知道,抄袭别人的成果是违反竞赛章程和参赛规则的,如果引用别人的成果或其他公开的资料(包括网上查到的资料),必须按照规定的参考文献的表述方式在正文引用处和参考文献中明确列出。 我们郑重承诺,严格遵守竞赛章程和参赛规则,以保证竞赛的公正、公平性。如有违反竞赛章程和参赛规则的行为,我们将受到严肃处理。 我们授权全国大学生数学建模竞赛组委会,可将我们的论文以任何形式进行公开展示(包括进行网上公示,在书籍、期刊和其他媒体进行正式或非正式发表等)。 我们参赛选择的题号是(从A/B/C/D中选择一项填写): 我们的报名参赛队号为(8位数字组成的编号): 所属学校(请填写完整的全名): 参赛队员(打印并签名) :1. 2. 3.

指导教师或指导教师组负责人(打印并签名): (论文纸质版与电子版中的以上信息必须一致,只是电子版中无需签名。以上内容请仔细核对,提交后将不再允许做任何修改。如填写错误,论文可能被取消评奖资格。) 日期:年月日赛区评阅编号(由赛区组委会评阅前进行编号):

2014高教社杯全国大学生数学建模竞赛 编号专用页 赛区评阅编号(由赛区组委会评阅前进行编号): 全国统一编号(由赛区组委会送交全国前编号):全国评阅编号(由全国组委会评阅前进行编号):

回归分析在股票价格预测中的应用

回归分析在股票价格预测中的应用 摘要:随着我国市场经济环境的日益成熟,股市规模的不断扩大,股票价格成为投资者、经济、系统科学领域研究的热点问题,影响股票价格的因素越来越多,预测未来的股票价格变得十分有必要。股票市场的价格数据呈时间序列,本文将运用Eviews软件对股票价格进行多元线性回归模型预测,以国电电力的历史价格为例,预测该股票的次日收盘价。通过对比消除共线性前后的两个模型对次日收盘价的预测结果,验证了利用主成分分析消除共线 性后的多元线性回归方程预测效果更好。 关键词:股票价格;Eviews;多元线性回归;主成分分析 Abstract:With the growing maturity of China's market economy environment, the scale of stock market is expanding.Stock price has become a hot topic in the field of investor, economy and system science.There are more and more factors influencing stock prices,so it is very necessary to predict future stock prices.The price data in stock market being time series,this article will use Eviews software to predict stock price by multiple linear regression model.Taking the historical price of Guodian power as an example,we predict the next closing price of the stock.By comparing the prediction results of the two models before and after collinearity to the closing price of the next day,it is proved that the effect of the multivariate linear regression equation after the use of principal component analysis is better than that of the multi linear regression equation after the elimination of the collinearity. Key words:Eviews; Multiple linear regression; Principal component analysis

基于GARCH模型族的中国股市波动性预测

基于GARCH 模型族的中国股市波动性预测 2005级数量经济学专业 倪小平 摘要:本文采用上证综合指数和深证成份指数2000年1月4日—2006年12月27日的每日收盘价对数百分收益率为样本采用GARCH 模型对我国股市波动性进行实证分析。 关键词:GARCH 模型 波动性 预测 一、引 言 波动性是金融市场最为重要特性之一。金融市场在一些时间段内显得非常平静,而在另外一些时间段内剧烈波动。描述波动性的时变特性是非常重要,因为第一,资产风险是资产价格的重要决定因素,投资者要求更高的预期收益作为持有更高风险资产的补偿,因此回报方差的变化对于理解金融市场是非常重要的,事实上,波动性是证券组合理论、资本资产定价模型(CAPM)、套利定价模型(APT)及期权定价公式的核心变量。第二,它与市场的不确定性和风险直接相关,是体现金融市场质量和效率的最简洁和最有效的指标之一。另一方面波动性对企业的投资与财务杠杆决策、消费者的消费行为和模式、经济周期及相关宏观经济变量等都具有重要影响。因此,波动性的估计、预测和影响因素分析一直是金融经济学研究的持续热点。 Engle 于1982年开创性的提出ARCH 模型,Bollerslev 于1986年对其进行扩展,给出了GARCH 模型。如今GARCH 模型族已经成为度量金融市场波动性的强有力工具。 本文的结构如下:首先对所选用的四种GARCH 模型给予了简单的描述;第二部分实证分析,包括:数据的选取与基本统计分析、模型参数的估计以及对波动性的预测和模型的比较;最后是本文的总结。 二、模型概述 1、一般GARCH 模型 ARCH 模型的主要贡献在于发现了经济时间序列中比较明显的变化是可以预测的,并且说明了这种变化是来自某一特定类型的非线性依赖性,而不是方差的外生结构变化。GARCH 模型是ARCH 模型族中的一种带异方差的时间序列建模的方法。 一般的GARCH 模型可以表示为 : 2011',t t t t t q p t i t i j t j i j y x v h h βεεααε θ--===+==++∑∑ 其中1var(|)t t t h ε?-=,1t ?-是时刻t-1及t-1之前的全部信息,其中, t v 独立同分布,且参数满足条件:这里t h 可以理解为过去所有残差的正加权平均,这与波动率的聚集效应相符合,即:大的变化后倾向于有更大的变化,小的变化后倾向于有小的变化。由于GARCH (p,q)模型是ARCH 模型的扩展,因此GARCH(p,q)同样具有ARCH(q)模型的特点。但GARCH 模型的条件方差不仅是滞后残差平方的线性函数,而且是滞后条件方差的线性函数。

基于机器学习的股票分析与预测模型研究

金融观察?一 基于机器学习的股票分析与预测模型研究① 姚雨琪 摘一要:近年来?随着全球经济与股市的快速发展?股票投资成为人们最常用的理财方式之一?本文研究的主要目标是利用机器学习技术?应用Python编程语言构建股票预测模型?对我国股票市场进行分析与预测?采用SVM与DTW构建股票市场的分析和预测模型?并通过Python编程进行算法实现? 本文对获取到的股票数据进行简单策略分析?选取盘中策略作为之后模型评估的基准线?分别选取上证指数二鸿达兴业股票二鼎汉股票数据利用已构建的支持向量机和时间动态扭曲模型在Python平台上进行预测分析?结果表明?对于上证指数而言?支持向量机预测下逆向策略更优?对于鸿达兴业股票和鼎汉股票而言?支持向量机预测下正向策略更优?基于时间动态扭曲算法的预测方法对于特定的股票有较高的精度和可信度?研究结论表明将机器学习运用于股票分析与预测可以提高股票价格信息预测的效率?保证对海量数据的处理效率?机器学习过程可以不断进行优化模型?使得预测的可信度和精度不断提高?机器学习技术在股票分析方面有很高的研究价值? 关键词:机器学习?股票预测?Python?SVM?DTW 中图分类号:F830.91一一一一一一文献标识码:A一一一一一一文章编号:1008-4428(2019)02-0123-02 一一一二引言 国外股票市场的股票分析预测开始得很早?研究者们将各种数学理论二数据挖掘技术等应用到股票分析软件中?并通过对历史交易数据的研究?从而得到股票的走势规律?近年来?由于现实中工作与研究的需要?机器学习的研究与应用在国内外越来越重视?机器学习可以在运用过程中依据新的数据不断学习优化?完善预测模型?将机器学习应用于股票市场的预测?从股票的历史数据中挖掘出隐藏在数据中的重要信息?这样既能够为股民们对股价预测研究提供理论支撑?又能够为公司的领导层提供决策支持?基于此?本文选择机器学习在股票分析中的应用作为研究方向?在机器学习及股票分析相关理论基础上?使用Python开发工具?并分别运用支持向量回归及时间动态扭曲进行预测? 二二相关技术与理论 (一)机器学习 机器学习是融合多领域技术的交叉学科?主要包括概率论与数理统计二微积分二线性代数二算法设计等多门学科?通过计算机相关技术自动 学习 实现人工智能?(二)股票分析方法 1.基本面分析 基本面分析指的是在分析股票市场供应和需求关系的相关因素(如宏观经济二政策导向二财务状况以及经营环境等)基础上确定股票的实际价格?从而预测股票价格的趋势?2.技术面分析 技术面分析指的是对股票图样趋势来分析和研究?来判断价格的走势? (三)基于Python的经典机器学习模型 1.支持向量机(SVM) 该模型最初用于分类?其最终目标是引入回归估计?建立回归估计函数G(x)?其中回归值与目标值之间的差值小于μ?同时保证该函数的VC维度最小?线性或非线性函数G(x)的回归问题可以转化为二次规划问题?并且获得的最优解是唯一的? 2.动态时间扭曲(DTW) 这是衡量时间序列之间的相似性的方法?并可以用在语音识别领域以判断两段声音是否表达了同一个意思?三二股票预测模型的构建 (一)确定初始指标 1.基于支持向量机确定指标 施燕杰(2005)利用支持向量机进行股票分析与预测?在多次反复尝试基础上提出了一系列的指标作为预测模型的输入向量?该指标能够有效地预测未来股价波动情况?本文在结合自身研究的基础上?对以上施燕杰提出的指标进行改进?在原有的指标基础上添加7日平均开盘价和7日平均收盘价?去除了成交额保留了成交量?最终建立如表1所示的20个初选指标? 表1一初选指标 变量X1X2X3X4X5X6X7X8X9X10含义 今日 开盘价 昨日 开盘价 前日 开盘价 7日平均 开盘价 今日 最高价 昨日 最高价 前日 最高价 7日平均 最高价 今日 最低价 昨日 最低价变量X11X12X13X14X15X16X17X18X19X20含义 前日 最低价 7日平均 最低价 今日 收盘价 昨日 收盘价 前日 收盘价 7日平均 收盘价 今日 成交量 昨日 成交量 前日 成交量 7日平均 成交量一一本文主要是进行股票分析与预测?因此在综合考虑各个 价格指标的基础上?本文选择选定时间段的下一日收盘价作为模型的输出向量? 2.基于动态时间扭曲确定指标 根据往常研究经验?我们将时间序列数据分成不同的期间?每个期间长度为5日?以每个时间段相邻每日收盘价涨跌率变化趋势为初始指标?选择时间序列期间下一日的收盘价与期间内最后一日收盘价涨跌率作为模型的输出向量?(二)选择样本 1.实验对象 本文在分别在主板市场二中小板市场和创业板市场中采取随机抽样的方法各随机选择一只股票数据作为研究对象?分别是上证指数二鸿达兴业股票二鼎汉股票? 2.样本规模 我们选取了2011年至2017年间上证指数1550条数据?2015年至2017年的鸿达兴业股票532条数据二鼎汉股票572 321 ①基金项目:江西财经大学第十三届科研课题立项?编号xskt18345?

相关文档
最新文档