基于文本信息的股票指数预测
基于文本信息的股票指数预测
摘要基于情感分析方法,对股票市场进行预测。将从社交媒体中抽取的文本信息(词信息、情感词信息和情感分类信息)与股票技术指标相结合,利用支持向量回归构建模型。通过实验与多种预测方法进行比较,结果表明该方法能够获得较为理想的预测结果。
关键词股票预测;情感分析;支持向量回归(SVR)
中图分类号TP391
Stock Index Prediction Based on Text Information
DONG Li, WANG Zhongqing, XIONG Deyi ?
School of Computer Science and Technology, Soochow University, Suzhou 215006;
? Corresponding author, E-mail: dyxiong@https://www.360docs.net/doc/f016010094.html,
Abstract Sentiment analysis strategy was used to predict stock market index. Support vector machine was applied to construct predict model based on textual information (i.e., lexical information, sentimental words, and sentiment categories) extracted from social media and stock indicators. Experiment results show that the proposed method can obtain the best results, compared with many different predictive model.
Key words stock index prediction; sentiment analysis; support vector regression (SVR)
近年来,随着金融领域的高速发展,越来越多的人希望利用股票市场实现财富的保值与增值。因此,学术界和商业界都希望通过一定的方法来预测股票市场的未来走势。
早期对股票市场的预测是基于股票市场的技术指标,如成交量、股票价格、指数平滑异同平均线(MACD)和随机指标(KDJ)等。随着Fama[1-2]有效市场假说(efficient-market hypothesis, EMH)的提出,围绕股票磐石价值的研究开始流行。然而,近年来人们发现股票市场的变化并不像EMH描述的那样随机散漫[3~4]。Schumaker等[5]利用新闻信息对股票市场进行预测,取得不错的效果。随着行为经济学
的发展,有研究者开始关注大众情感在日常金融领域(如电影票房、图书销量等)中的作用[6-8]。还有
研究表明,大众情感能在一定程度上预测股票市场将来可能的变化[9-10]。
从上述研究中不难看出,在股票技术的基础上,结合其他相关信息构建模型对股票市场进行预测,不失为一种行之有效的方法。因此,我们以股票技术指标为基础,利用词信息和情感信息对其加以优化,用支持向量回归(SVR)方法构建模型来预测股票市场可能的走势。考虑到股票预测所需要的数据量,我们选择通过新浪微博这类社交媒体来收集数据,然后通过一定的规则清洗原始数据集。在此基础上,从规则方法和统计方法的角度出发,采用情感词典和支持向量机两种方式进行情感分析。最后,利用SVR方法,结合词信息、情感信息以及股票技术指标构筑模型,并对其性能加以评判。通过与多种回归预测方法比较,证明我们提出的方法能够提高模型的预测准确度。
国家自然科学基金(61403269)和江苏省自然科学基金(BK20140355)资助收稿日
期: 2016-07-21;修回日期: 2016-09-23;网络出版日期: 2016-11-28
273
表3 实验结果对比
Table 3 Results of different methods
系统模型方法MSE Model_baseline 简单假设0.035163
Model_LR 线性拟合0.103503
Model_WE 深度学习0.035491
Model_SVR SVR 0.027454
情况。
此外, Model_WE的预测结果比Model_LR更理想,充分说明利用文本信息预测股票市场变化具有合理性。利用SVR方法构建的模型Model_SVR 具有相对最小的MSE值。在趋势变化上, Model_ SVR 比其他模型更接近真实股指的变化, 预测值和真实值的离散程度相对较小。这些结果充分说明,利用技术指标和文本信息进行SVR分析可以获得更理想的预测结果(图2)。
我们之所以选择利用文本信息和技术指标的组合构建模型,是因为在各特征模型的对比实验中发现该组合具有更好的预测性能。不同特征组合的预测结果如表4所示。
不难发现,仅用技术指标构建的模型比仅用词性构建的模型预测效果好。这是因为技术指标是在长期的研究与实践中总结得到的,与股票市场的相关性比较高;而词信息相对零散,与股票价格变化之间的相关性相对较弱。
通过对词信息构建的基准模型增加特征值,我们发现在引入情感词和情感分类结果之后,预测结果有显著的提升,甚至超过技术指标的预测结果。这表明,股票市场变化与大众情感之间存在紧密的联系。我们也发现,添加情感分类结果对预测模型的提升更明显。这说明股票市场与大众情感的相关性并不是体现在某一个或某一些词上,而是更多地表现在整个句子的情感变化中。
最后,我们发现将文本信息(词信息、情感信息和情感分类结果)与技术指标相结合,能够获得相对最高的预测准确度。这与Bollen等[9]的研究结果一致,也就是说,为金融模型添加情感参数,的确能提升预测的准确度。
5总结
本文在文本信息和股票技术指标的基础上,首次利用SVR技术构建模型。以MSE为依据,对比了各个特征值对预测结果的作用。同时,从MSE
277 北京大学学报(自然科学版)第53卷第2期2017 年 3 月
和股指变化趋势两方面,比较了该模型与其他模型的预测结果。我们发现,结合文本信息和技术指标构建的模型能够获得较高的预测准确度,其中情感分类结果和股票技术指标起着相对主要的作用。下一步的工作是选择更合适的股票技术指标,结合深度学习等方法,抽取更有代表性的特征值,增加样本的时间跨度,提升现有模型的效果。
参考文献
[1]Fama E F. Market efficiency, long-term returns, and
behavioral finance. Journal of Financial Economics, 1998,
49: 283?306
[2]Fama E F. Efficient capital markets: a review of theory
and empirical work. The Journal of Finance, 1970, 25:
383?417
[3]Kavussanos M G, Dockery E. A multivariate test for stock
market efficiency: the case of ASE. Applied Financial
Economics, 2001, 11(5): 573–579
[4]Gallagher L A, Taylor M P. Permanent and temporary
components of stock prices: evidence from assessing
macroeconomic shocks. Southern Economic Journal, 2002,
69: 345–362
[5]Schumaker R P, Chen H. Textual analysis of stock market
prediction using breaking financial news: the AZFinText
system. ACM Transactions on Information System, 2009,
27(2): 1139–1141
[6]Gruhl D, Guha R, Kumar R, et al. The predictive power of
online chatter // KDD’05 Proceedings of the Eleventh
ACM SIGKDD International Conference on Knowledge
Discovery in Data Mining. New York: ACM, 2005: 78–87
[7]Mishne G, Glance N. Predicting movie sales from blogger
sentiment // AAAI 2006 Spring Symposium
on Computational Approachesto Analysing Weblogs. Palo
Alto, 2006: 155?158
[8]Liu Y, Huang X, An A, et al. ARSA: a sentiment-aware
model for predicting sales performance using blogs //
SIGIR’07 Proceedings of the 30th Annual International
ACM SIGIR Conference on Research and Development in Information Retrieval. New York: ACM, 2007: 607–614
[9]Bollen J, Mao H, Zeng X J. Twitter mood predicts the
stock market. Journal of Computational Science, 2010,
2(1): 1–8
[10]Sehgal V, Song C. SOPS: stock prediction using web
sentiment // Workshops IEEE International Confe-rence on Data Mining. Omaha, 2007: 21–26
[11]Qian B, Khaled R. Stock market prediction with multiple
classifiers. Applied Intelligence, 2007, 26: 25–33
[12]Fung G P C, Yu J X, Lam W. Stock prediction: integrating
text mining approach using real-time news // IEEE International Conference on Computational Intelligence
for Financial Engineering. Hong Kong, 2003: 395 402
[13]Nikfarjam A, Emadzadeh E, Muthaiyah S. Text mining
approaches for stock market prediction // International
Conference on Computer & Automation Engineer.
Singapore, 2010: 256–260
[14]Gilbert E, Karahalios K. Widespread worry and the stock
market // Fourth International AAAI Conference on Weblogs and Social Media. Washington, DC: ICWSM, 2010: 58?65
[15]Somla A J, Sch?lkopf B. A tutorial on support vector
regression. Statistics & Computing, 2004, 14(3): 199– 200
国内外股票指数期货市场与股票市场指数之间的关联研究
国内外股指期货与股票指数之间的关联性研究* ——基于日经225指数期现货市场的实证分析 夏天① (浙江永安期货经纪有限公司, 浙江杭州, 310005) 作者简介： 1夏天（1979-）男，山东济南人，数量经济学硕士，现供职于浙江永安期货经纪有限公司信息研究总部。研究方向：期货市场学，金融工程与金融风险管理。已在《金融研究》等核心期刊发表论文十篇，并被人大复印资料《统计与精算》分册全文转载一篇，国际论文（英文）被美国ISTP检索一篇。参与国家自然基金，教育部博士点基金各一项。并经常在道琼斯新闻等媒体进行行情分析。 The Study On the Linkages Among the Stock Marke t、the International Stock Futures Market and the National Stock Futures Market ——The Empirical Analysis of The NIKKEI 225 Futures Market 1.Xia Tian (ZheJiang Yafco futures management limited company, ZheJiang, HangZhou, China 310005) ABSTRAT: This paper study the linkages and interaction among the stock marke t、the international stock futures market and the national stock futures market based on the Johansen contingration analysi s、Vector error correction mode l、The Granger long and short causal relationship test and the variance decomposition method. We find that the unsteady time series of the three markets make up of the contingration relation. Namely the three have the linkage and the long-term equilibrium relation. The stock futures market have the good function on the price discovery. The stock futures market is the reason why the stock market changes in the long time. But the stock futures market have the great influence on the stock market. These conclusions have the great use for reference for us. Kayword: NIKKEI 225; the stock futures; V AR; the Cointergration analysis 国内外股指期货与股票指数之间的关联性研究 ——基于日经225指数期现货市场的实证分析 摘要：基于Johansen协整分析、向量误差修正模型（VECM）以及VECM基础上的Granger长短期因果检验与方差分解等方法对日经股指的国内外期货市场与现货市场三者整体关联性与相互作用关系问题进行了深入的研究。研究发现：三个市场一阶非平稳的的时间序列数据构成了协整关系，即三者具备了关联性与长期 *本文曾经在《经济研究》杂志社、北京大学光华管理学院与浙江大学经济学院等单位组织的“第七届中国青年经济学者论坛”上进行宣读，感谢中山大学周开国博士等专家学者提出的宝贵修改意见，当然文责自负。
用GARCH模型预测股票指数波动率
用GARCI模型预测股票指数波动率 目录 Abstract ......................................................................... 1.引言........................................................................... 2.数据........................................................................... 3.方法........................................................................... 3.1.模型的条件平均............................................................ 32模型的条件方差............................................................... 3.3预测方法.................................................................... 3.4业绩预测评价............................................................... 4.实证结果和讨论................................................................. 5.结论........................................................................... References ....................................................................... Abstract This paper is designed to makea comparison between the daily conditional varianee through seven GRAChhodels. Through this comparison, to test whether advaneed GARCH models are outperform ing the sta ndard GARCH models in predict ing the varia nee of stock in dex. The database of this paper is the statistics of 21 stock in dices around the world from 1 January to 30 November 2013. By forecast ing one —step-ahead con diti onal varia nee within differe nt models, the n compare the results within multiple statistical tests. Throughout the tests, it is found that the sta ndard GARCH model outperforms the more adva need GARCH models, and recomme nds the best
中国股市发展分析(完整版)
中国股市发展历程（以上证综指走势为例） 分上中下三篇发至经济观察木泉投资原创文章 上证综指于1991年7月15日首次发布，其样本股是全部上市股票，因此其对中国股票市场有非常好的代表性。下面以上证综指自发布以来的收盘价为载体，对中国股票市场的发展进行分析。 （1）1990-1992年10月：初步实验，股市第一次起落 邓小平南方讲话，提出坚持改革开主、发展市场经济（含股票市场）的观点，国内开始进行股票市场试点开放，国内掀起一轮投资热，股票价格的逐渐上涨也使得上证综指从90多点涨至400多点。 1992年5月21日，上海股市交易价格限制全部取消，在这一利好消息刺激下，大盘从616.99点直接跳空高开在1260.32点，较前一天涨幅高达104.27%，这也是上证指数首次突破千点大关。此后仅仅3天时间，各只股票价格都呈现一飞冲天的走势，平均涨幅为570%。其中，5只新股更狂升2500%至3000%。最终上证指数暴涨至1300多点。 但由于这一年有30多只新股票上市，比1991年增长了3.88倍，对投资者的心理冲击和资金面压力巨大，股指一路下滑，深圳“810事件”也加速了上证综指的下跌。“1992股票认购证”第四次摇号。当时预发认购表500万张，每人凭身份证可购表1张，时称有“百万人争购”，不到半天的时间，抽签表全部售完，人们难以置信。秩序就在人们的质疑中开始混乱，并发生冲突。这天傍晚，数千名没有买到抽签表的股民在深南中路打出反腐败和要求公正的标语，并形成对深圳市政府和人民银行围攻的局面，酿成“8·10事件”。上海股市受深圳“8·10”风波影响，上证指数从8月10日的964点暴跌到8月12日的781点，跌幅达19%。暴跌五个月后，1992年11月16日，上证指数回落至398点，几乎打回原形。 （2）1992年10月-1994年6月：股市第二次起落 从1992年底到1993年初，我国新兴的投资基金开始得到政府支持，上市投
000977浪潮信息：云计算的重要性将超过互联网
发表于2010-11-16 22:31 | 只看该作者 [公司] 000977浪潮信息：云计算的重要性将超过互联网 这是一个无与伦比的大题材，超过稀土 不会理会大盘的风风雨雨，必有第二波 您的位置：新华网主页- 互联网 中国出台“云海计划”比互联网还重要 2010年08月23日08:47:58 来源：通信产业网 【字号大中小】【留言】【打印】【关闭】【Email推荐：】 美国有学者称，随着Web技术的持续发展，云计算的重要性将超过互联网。 事实确实如此，云计算正在给产业带来一场革命性的改变。随着云计算模式的普及，互联网在未来几年内可能会进入一个低迷期，云计算的重要性将超过互联网，接下来云计算的发展将成为产业进步的关键因素。云计算是计算机科学和互联网技术发展的产物，也是引领未来信息产业创新的关键战略性技术和手段。它将带来工作方式和商业模式的根本性改变，对我国冲出国外企业的技术壁垒、发展高新技术产业具有重要的战略意义。如何让“中国云”领跑全球，不仅是每个企业需要去努力的，同时也需要发挥zf作为政策引导的基础性作用，从而构建带有中国特色、具有独特商业模式的中国云计算产业体系。 就在近日，上海发布了《上海推进云计算产业发展行动方案(2010-2012年)》，总投资31.2亿元的首批12个项目也已经启动。根据这张名为“云海计划”的蓝图，上海市规划经过三年努力实现在云计算产业领域“十百千”发展目标，即培育十家年经营收入超亿元的云计算技术与服务企业，建设十个面向城市管理、产业发展、电子政务、中小企业服务等领域的云计算示范平台，推动百家软件和信息服务业企业向云计算服务转型，带动信息服务业新增经营收入千亿元，努力将上海建成全国云计算技术与服务中心。 我国发展云计算具有重要战略意义 云计算开创了软件即服务、平台即服务、基础设施即服务等全新IT服务模式。云计算服务模式不仅给全球信息产业创造了深远的变革机会，同时也给工业等传统产业带来了新的发展机遇。云计算不仅能够有效地缩减企业的IT成本，还能够更灵活更高效地运营业务，从而创造更大的价值。可以说，云计算也是企业进行战略规划的重要一环。 我国出台云计算国家级政策势在必行
用GARCH模型预测股票指数波动率
用GARCH模型预测股票指数波动率 目录Abstract (2) 1.引言 (3) 2.数据 (6) 3.方法 (7) 3.1．模型的条件平均 (7) 3.2.模型的条件方差 (8) 3.3预测方法 (9) 3.4业绩预测评价 (9) 4.实证结果和讨论 (12) 5.结论 (16) References (18)
Abstract This paper is designed to make a comparison between the daily conditional variance through seven GRACH models.Through this comparison,to test whether advanced GARCH models are outperforming the standard GARCH models in predicting the variance of stock index.The database of this paper is the statistics of21stock indices around the world from1January to30 November2013.By forecasting one–step-ahead conditional variance within different models, then compare the results within multiple statistical tests.Throughout the tests,it is found that the standard GARCH model outperforms the more advanced GARCH models,and recommends the best one-step-ahead method to forecast of the daily conditional variance.The results are to strengthen the performance evaluation criteria choices;differentiate the market condition and the data-snooping bias. This study impact the data-snooping problem by using an extensive cross-sectional data establish and the advanced predictive ability test.Furthermore,it includes a13years’period sample set, which is relatively long for the unpredictability forecasting studies.It is part of the earliest attempts to inspect the impact of the market condition on the forecasting performance of GARCH models.This study allows for a great choice of parameterization in the GARCH models,and it uses a broad range of performance evaluation criteria,including statistical loss function and the Mince-Zarnowitz regressions.Thus,the results are more robust and diffusely applicable as compared to the earliest studies. KEY WORDS:GARCH models;volatility,conditional variance,forecast,stock indices.
MSCI中国股市的指数编制,和全球指数历年表现
MSCI中国股市的指数编制,和全球指数历年表现 (2019-04-20 21:53:24) 标签：股票 分类：熊市的馈赠，泡沫的诱惑 MSCI中国股市的指数编制，和全球指数历年表现 海宁2019.4.20 新闻：2019年4月19日，就市场关注的A股纳入国际相关指数事宜，证监会新闻发 言人说：“证监会与包括摩根士丹利资本国际公司（MSCI）在内的国际著名指数编制公司 进行了沟通，对A股纳入相关指数的相关技术性问题进行了探讨，目前还需要就外汇管制、财税政策等事宜进行研究。” 这是中国经济和资本市场发展的必然趋势，也是4月19日A股大涨2%以上的重要原 因之一。 值得说明的是，MSCI早已编制大量A股指数，见下表，只是还没有相应的指数基金。 附送："道琼斯工业平均指数1896年-2019年.xls" https://www.360docs.net/doc/f016010094.html,/zTxavCS 下面博文，就使用了MSCI Barra编制的台湾股票指数。 中国资产价格的油门和刹车之二：台湾经验 2019-05-29 19:36 MCSI目前关于中国股市的指数编制 MSCI 指数指数代码指数水平昨天至今一个月至今一个季度今年至今1 年3 年5 年 10 年 ALL CHINA139892777.4532.64%-0.03%-7.29%-2.31%-3.20%-4.97%N/AN/A CHINA30240059.0112.75%-1.75%-9.84%-6.07%-1.54%-2.36%-3.02%15.63% CHINA 507021921,112.2692.83%-1.73%-9.96%-6.07%-1.52%-0.51%-3.31%N/A CHINA A1333332,428.2482.67%1.51%-4.89%1.23%-2.62%-7.45%-4.64%6.68% CHINA A 507026682,233.2213.06%1.81%-7.71%-0.78%1.24%-4.75%-5.56%N/A CHINA A + B1287552,408.8672.65%1.51%-4.88%1.30%-2.48%-7.34%-4.54%N/A
股票指数
股票价格指数就是用以反映整个股票市场上各种股票市场价格的总体水平及其变动情况的指标。简称为股票指数。它是由证券交易所或金融服务机构编制的表明股票行市变动的一种供参考的指示数字。由于股票价格起伏无常，投资者必然面临市场价格风险。对于具体某一种股票的价格变化，投资者容易了解，而对于多种股票的价格变化，要逐一了解，既不容易，也不胜其烦。为了适应这种情况和需要，一些金融服务机构就利用自己的业务知识和熟悉市场的优势，编制出股票价格指数，公开发布，作为市场价格变动的指标。投资者据此就可以检验自己投资的效果，并用以预测股票市场的动向。同时，新闻界、公司老板乃至政界领导人等也以此为参考指标，来观察、预测社会政治、经济发展形势。这种股票指数，也就是表明股票行市变动情况的价格平均数。编制股票指数，通常以某年某月为基础，以这个基期的股票价格作为100，用以后各时期的股票价格和基期价格比较，计算出升降的百分比，就是该时期的股票指数。投资者根据指数的升降，可以判断出股票价格的变动趋势。并且为了能实时的向投资者反映股市的动向，所有的股市几乎都是在股价变化的同时即时公布股票价格指数。 股票指数的计算 股票指数是反映不同时点上股价变动情况的相对指标。通常是将报告期的股票价格与定的基期价格相比，并将两者的比值乘以基期的指数值，即为该报告期的股票指数。股票指数的计算方法有三种：一是相对法，二是综合法，三是加权法。 (1)相对法 相对法又称平均法，就是先计算各样本股票指数。再加总求总的算术平均数。其计算公式为：股票指数=n个样本股票指数之和/n 英国的《经济学人》普通股票指数就使用这种计算法。 (2)综合法 综合法是先将样本股票的基期和报告期价格分别加总，然后相比求出股票指数。即：股票指数=报告期股价之和/基期股价之和代入数字得：股价指数=(8+12+14+18)/(5+8+10+15) = 52/38=136.8% 即报告期的股价比基期上升了36.8%。从平均法和综合法计算股票指数来看，两者都未考虑到由各种采样股票的发行量和交易量的不相同，而对整个股市股价的影响不一样等因素，因此，计算出来的指数亦不够准确。为使股票指数计算精确，则需要加入权数，这个权数可以是交易量，亦可以是发行量。 (3)加权法 加权股票指数是根据各期样本股票的相对重要性予以加权，其权数可以是成交股数、股票发行量等。按时间划分，权数可以是基期权数，也可以是报告期权数。以基期成交股数(或发行量)为权数的指数称为拉斯拜尔指数；以报告期成交股数(或发行量)为权数的指数称为派许指数。对拉斯拜尔指数和派许指数作几何平均，得几何加权股价指数“费雪理想式”。拉斯拜尔指数偏重基期成交股数(或发行量)，而派许指数则偏重报告期的成交股数(或发行量)。目前世界上大多数股票指数都是派许指数。 我国
中国股市指数的投资收益分析
中国股市指数的投资收益分析 一、投资理论概述 （一）资产组合理论 资产组合理论是以一系列资产收益率的均值和方差作为组合选择的依据，提出了均值方差资产组合选择的基本方法，即保持一定的方差的资产组合，使期望收益率最大化，或者保持一定的期望收益率的资产组合，使方差最小化；意味着资产选择不能依据资产本身的某一特征，还必须考虑该资产与其他资产的相互作用。该理论不仅描述了资产及其组合的收益与风险关系，而且解决了最优资产组合的选择问题，使得资产组合分析和管理科学化、程序化，从而奠定了其在金融投资理论中的地位。 （二）资本资产定价理论 在资产组合理论的基础上提出的。资产定价理论认为，一项投资所要求的收益率取决于以下三个因素：（1）无风险收益率，即将国债投资（或银行存款）视为无风险投资；（2）市场平均收益率，即整个市场的平均收益率，如果一项投资所承担的风险与市场平均风险程度相同，该项收益率与整个市场平均收益率相同；（3）投资组合的系统风险系数，是某一投资组合的风险程度与市场证券组合的风险程度之比。而期望的收益率由无风险收益和该组合的风险系数与市场平均收益和无风险收益差额之乘积决定。 （三）有效市场假说 根据市场对信息反应的有效性，将市场分为弱势有效、半强势有效、强势有效市场。而反应程度分为反应不足以及反应过度两种情况，描述了信息对市场的影响。 （四）行为金融理论 将金融学与社会学及心理学等人文学科相结合，从另一个假设的层面出发，认为人的一些社会性特征及自身人性影响引导自己的投资行为，诸如羊群效应、过度自信等。 （五）其他 在投资中，还有其他很多效应，由于诸多因素导致的，诸如ipo抑价效应，小公司效应，税收效应，整数效应，股利理论，盈余公布效应等。 从诺贝尔经济学奖的颁奖时间看，前两个理论是一组，第三及第四是另外一组，两组进行比较。第一组是从数理的角度出发，基于期望均值和方差，将收益和风险进行量化，由这两个变量来主导投资，通过一系列的对比分析，均衡选择，得出结论。而后一组中有很大程度的数量分析，但主要思想是从外部和内部相结合的理论，外部的信息以及人的行为对进行投资的影响。 二、指数介绍 （一）上证指数 上证综合指数是最早发布的指数，是上海证券交易所从1991年7月15日起编制并公布上海证券交易所股价指数，它以1990年12月19日为基期，设基期指数为100点，以全部上市股票为样本，以股票发行量为权数，按加权平均法计算，遇新股上市、退市或上市公司增资扩股时，采用除数修正法修正原固定除数，以保持指数的连续性。然后于2006年1月4日发布了新上证综合指数，新综指选择已完成股权分置改革的沪市上市公司组成样本，实施股权分置改革的股票在方案实施后的第2个交易日纳入指数，新综指是一个全市场指数，以2005年12月30日为基日，以该日所有样本股票的总市值为基期，基点为1 000点。新综指采用派许加权方法，以样本股的发行股本数为权数进行加权计算，当成分股变化时，同样采用除数修正法修正原固定除数。 （二）深证成分指数 深圳成分股指数是由深圳交易所编制，通过对所有在深圳证券交易所上市的公司进行考察，按一定标准选出40家有代表性的上市公司作为成分股，以成分股的可流通股数为权数，
浪潮电子信息产业股份有限公司战略分析报告
浪潮电子信息产业股份有限公司战 略分析报告 目录 重要提示 一:公司基本情况简介 (3) 二:公司宏观环境分析 (4) （一）政治-法律环境分析 （二）经济环境分析 （三）社会文化环境分析 （四）技术环境分析 三：公司行业分析 (5) 五力模型分析·
（一）供应商的议价能力 （二）购买者的议价能力 （三）新进入者的威胁 （四）．替代品的威胁 （五）行业竞争者的竞争 四：公司的竞争策略分析 (6) （一）SWOT分析 （二）波士顿矩阵分析 （三）价值链分析 一:公司基本情况简介 浪潮电子信息产业股份有限公司（以下简称“浪潮信息”）是经山东省经济体制改革委员会鲁体改函字[1998]96号文批准,并经山东省人民政府鲁政字[1999]165号文同意成立的股份有限公司。由浪潮电子信息产业集团公司、烟台东方电子信息产业集团有限公司、北京算通科技发展有限公司、山东时风集团公司、山东金达实业有限公司、全泰电脑(惠阳)有限公司发起设立。浪潮电子信息产业集团公司之前身为1960年成立的山东省教学仪器厂, 该厂1974年更名为山东电子设备厂, 1983年成立山东计算机服务公司。1989年经山东省人民政府批准,由山东计算机服务公司为主体,联合山东电子设备厂、山东电子研究所、山东电子器材公司和中国电子进出口公司山
东分公司等共同组建浪潮电子信息产业集团公司,成为一家大型高科技企业集团, 现持有注册号为3700001801974之企业法人营业执照。主营计算机及软件、电子设备等生产和销售、计算机应用信息技术服务等。公司于一九九八年十月二十八日成立, 持有注册号为3700001801789之企业法人营业执照,本公司及附属公司。经营范围包括计算机及软件、电子产品及其他通信设备、商业机具、电子工业用控制设备、空调数控装置、电子计时器、电控玩具、教学用具的开发、生产、销售;技术信息服务、计算机租赁业务；电器设备的安装与维修及技术服务; 批准范围内的自营进出口业务；许可证范围内税控IC 卡（带配点）的生产、销售。 二：公司宏观环境分析 （一）政治-法律环境分析 浪潮信息的最大股东是浪潮集团有限公司，因此属于国有控股公司，可以享受到相关政府的政策支持和帮助，这对企业来说是至关重要的。总体来说政治-法律环境对浪潮信息的影响是十分有利的。 （二）经济环境分析 尽管受美国次贷危机影响，当今世界经济表现低靡，但信息化是当今世界经济社会发展的大趋势，IT行业发展前景广大，浪潮信息涉及的IT行业虽然竞争激烈但是市场广阔，发展空间依然很大。 （三）社会文化环境分析 随着社会经济的不断发展，信息化程度得到了前所未有的提高，无论是手机、计算机应用软件以及大型服务器的需求量都在
股票指数分析
（1）股票的换手率越高，意味着该只股票的交投越活跃，人们购买该只股票的意愿越高，属于热门股；反之，股票的换手率越低，则表明该只股票少人关注，属于冷门股。 一般大多股票每日换手率在1%——25%（不包括初上市的股票）。70%的股票的换手率基本在3%以下，3%就成为一种分界。 那么大于3%又意味着什么？ 当一支股票的换手率在3%——7%之间时，该股进入相对活跃状态。 7%——10%之间时，则为强势股的出现，股价处于高度活跃当中。（广为市场关注） 10%——15%，大庄密切操作。 超过15%换手率，持续多日的话，此股也许成为最大黑马。 (2) 震幅解读：第一种情况，是股指已经上涨一段时间，但位置仍处低位，主力利用盘中的快速跳水制造恐慌，打出浮动筹码，并借机吸货。也就是我们通常说的“洗盘”。这时的震荡是为了之后更大的上涨；第二种情况，是股指已处于阶段行情末端，主力在盘中制造大幅震荡的表现，快速跳水后又逐渐拉回，使跳水时逃跑的投资者后悔，以此逐渐加深人们的持股信心，跳水时不出货，坚信还会涨回来，这样主力真正开始出货时可以防止散户和自己争着逃，另一方面，跳水
后的拉回，使盘中跳水时敢于接货的投资者感到有利可图，这样真正开始出货时才能有人敢跳出来接货。 (3) 分析时由于卖方成交的委托纳入“外盘”，如“外盘”很大意味着多数卖的价位都有人来接，显示买势强劲；而以买方成交的纳入“内盘”，如“内盘”过大，则意味着大多数的买入价都有人愿意卖，显示卖方力量较大；如内外盘大体相当，则买卖方力量相当。 (4)一般来说，若某日量比为０.８-１.５倍，则说明成交量处于正常水平；量比在１.５-２.５倍之间则为温和放量，如果股价也处于温和缓升状态，则升势相对健康，可继续持股，若股价下跌，则可认定跌势难以在短期内结束，从量的方面判断应可考虑停损退出；量比在２.５-５倍，则为明显放量，若股价相应地突破重要支撑或阻力位置，则突破有效的几率颇高，可以相应地采取行动；量比达５-１０倍，则为剧烈放量，如果是在个股处于长期低位出现剧烈放量突破，涨势的后续空间巨大，是“钱”途无量的象征，东方集团、乐山电力在５月份突然启动之时，量比之高令人讶异。但是，如果在个股已有巨大涨幅的情况下出现如此剧烈的放量，则值得高度警惕。
【matlab编程代做】基于MATLAB的股票指数预测算法仿真
% 本程序的目的是模拟一个ARMA模型，然后进行时频归并。考察归并前后模型的变化。 % 这个ARMA模型的一般形式用黑盒子模型表示为A(q)y(t)=C(q)e(t)。q是滞后算子。 % 或者是：(1+a1*q^(-1)+a2*q^(-2)+a3^(-3)+a4*q^(-4))y(t)=(1+c1*q^(-1)+c2*q^(-2)+c3^(-3)+c4*q^(-4))e(t) % 这里多项式A和C都只写出4阶，因为一般的经济时间序列阶数都不高。 clear; clc; % ====================第一步，模拟一个ARMA模型并绘制ACF，PACF图======================== %s首先设定ARMA模型的多项式系数。ARMA模型中只有多项式A(q)和C(q)， %把A(q)的系数都设为0就得到MA模型，把C(q)的系数都设为0就得到AR模型。 M=250;%要预测的点数 xa3=textread('data/buy_price.txt'); xa4=textread('data/buy_num.txt') ; xc3=textread('data/sell_price.txt'); xc4=textread('data/sell_num.txt') ; % xa3=textread('data/data.mat'); % xa4=textread('data/data.mat') ; % xc3=textread('data/data.mat'); % xc4=textread('data/data.mat') ; lp=length(xa3); for i=1:1:lp a1(i) = -(0.5)^(1/3); a2(i) = (0.5)^(2/3); a3(i) = xa3(i); a4(i) = xa4(i); c1(i) = -(0.5)^(1/3); c2(i) = (0.5)^(2/3); c3(i) = xc3(i); c4(i) = xc4(i); end obv = 3000; %obv是模拟的观测数目。 A = [1 a1 a2 a3 a4]; C = [1 c1 c2 c3 c4]; m = idpoly(A,[],C,[],[],1,1) %这样就生成了ARMA模型，把它存储在m中。NoiseV ariance被设定为1，1也是默认值。抽样间隔Ts设为1。 error = randn(obv,1); %作为其他影响因子。 e = iddata([],error,1); %用randn函数生成一个噪声序列。存储在e中。抽样间隔是1秒。 y = sim(m,e); get(y) %使用get函数来查看动态系统的所有性质。 r=y.OutputData; %把y.OutputData的全部值赋给变量r，r就是一个obv*1的向量。
股票指数投资策略-100分
股票指数投资策略 返回上一级 单选题（共4题，每题10分） 1 . 衡量股票指数投资与标的指数走势间密切程度的指标是（）。 ? A.波动率指标 ? B.跟踪误差 ? C.MACD指标 ? D.KDJ指标 我的答案： B 2 . 道·琼斯股价平均数目前采用（）。 ? A.修正股价平均数法 ? B.加权股价指数法 ? C.加权股价平均数法 ? D.简单算术平均数法 我的答案： A 3 . 目前哪种方法是最直观且为常用的抽样复制法？（） ? A.二次规划 ? B.鲁棒回归 ? C.蒙特卡洛模拟 ? D.遗传算法 我的答案： A 4 . 下面哪一项不属于增强复制投资策略？（） ? A.选股增强 ? B.量化增强 ? C.衍生品增强 ? D.随机增强 我的答案： D 多选题（共3题，每题 10分） 1 . 影响股票指数投资跟踪误差的影响因素包括如下几种？（） ? A.成份股流动性 ? B.交易成本 ? C.指数调整 ? D.指数复制法 ? E.基金管理人投资能力
我的答案： ABCDE 2 . 目前以下哪几类股票指数属于传统分类范围？（） ? A.综合指数 ? B.成份指数 ? C.大数据指数 ? D.ESG指数 ? E.风格指数 我的答案： ABE 3 . 以下哪几项是指数化投资的理论基础？（） ? A.有效市场假说 ? B.投资组合理论 ? C.资本市场定价模型 ? D.心理预期理论 我的答案： ABCD 判断题（共3题，每题 10分） 1 . 派式加权法是以基期股本为权数的指数 对错 我的答案：错 2 . 增强复制法以最大化信息比率为投资目标。 对错 我的答案：对 3 . 根据投资目标划分，股票指数投资策略可划分为被动复制策略，增强复制策略。 对错 我的答案：对
应用文-中国股市指数的投资收益分析
中国股市指数的投资收益分析 '中国股市指数的投资收益分析 一、投资理论概述 （一）资产组合理论 资产组合理论是以一系列资产收益率的均值和方差作为组合选择的依据，提出了均值—方差资产组合选择的基本方法，即保持一定的方差的资产组合，使期望收益率最大化，或者保持一定的期望收益率的资产组合，使方差最小化；意味着资产选择不能依据资产本身的某一特征，还必须考虑该资产与其他资产的相互作用。该理论不仅描述了资产及其组合的收益与风险关系，而且解决了最优资产组合的选择问题，使得资产组合分析和 科学化、程序化，从而奠定了其在金融投资理论中的地位。 （二）资本资产定价理论 在资产组合理论的基础上提出的。资产定价理论认为，一项投资所要求的收益率取决于以下三个因素：（1）无风险收益率，即将国债投资（或银行存款）视为无风险投资；（2）市场平均收益率，即整个市场的平均收益率，如果一项投资所承担的风险与市场平均风险程度相同，该项收益率与整个市场平均收益率相同；（3）投资组合的系统风险系数，是某一投资组合的风险程度与市场证券组合的风险程度之比。而期望的收益率由无风险收益和该组合的风险系数与市场平均收益和无风险收益差额之乘积决定。 （三）有效市场假说 根据市场对信息反应的有效性，将市场分为弱势有效、半强势有效、强势有效市场。而反应程度分为反应不足以及反应过度两种情况，描述了信息对市场的影响。 （四）行为金融理论 将金融学与 学及 学等人 科相结合，从另一个假设的层面出发，认为人的一些社会性特征及自身人性影响引导自己的投资行为，诸如羊群效应、过度自信等。 （五）其他 在投资中，还有其他很多效应，由于诸多因素导致的，诸如IPO抑价效应，小公司效应，效应，整数效应，股利理论，盈余公布效应等。 从诺贝尔 学奖的颁奖时间看，前两个理论是一组，第三及第四是另外一组，两组进行比较。第一组是从数理的角度出发，基于期望均值本文由 联盟 收集整理和方差，将收益和风险进行量化，由这两个变量来主导投资，通过一系列的对比分析，均衡选择，得出结论。而后一组中有很大程度的数量分析，但主要思想是从外部和内部相结合的理论，外部的信息以及人的行为对进行投资的影响。 二、指数介绍 （一）上证指数 上证综合指数是最早发布的指数，是上海证券交易所从1991年7月15日起编制并公布上海证券交易所股价指数，它以1990年12月19日为基期，设基期指数为100点，以全部上市股票为样本，以股票发行量为权数，按加权平均法计算，遇新股上市、退市或上市公司增资扩股时，采用除数修正法修正原固定除数，以保持指数的连续性。然后于2006年1月4日发布了新上证综合指数，新综指选择已完成股权分置改革的沪市上市公司组成样本，实施股权分置改革的股票在方案实施后的第2个交易日纳入指数，新综指是一个全市场指
最新上证指数20年里涨跌大体相等 回顾上海股市历史数据
上证指数20年里涨跌大体相等回顾上海股市历史数据 2010年上证指数收盘点位是2808.08点，但是，在3个“发”没有给2011年股市带来好运，昨天上证指数报收2199.42点，2011年K线收出大阴线，这样，上海股市20年的历史上，年K线阴线达到10根。不过，总体上20年来上证指数上涨和下跌的年份大体相等，上涨的时候略多一点。 上证指数从1990年到2011年总共有22根年K线，其中，12根是阳线，10根是阴线，涨跌基本平衡，上涨略多一些。观察上证指数收阴线的10根年K线，大部分是连续2根，如1994年和1995年连续2年下跌，2001年和2002年连续2年下跌，2004年和2005年连续2年下跌。至今上证指数没有出现过连跌3年，2010年和2011年上证指数又是连跌2年，那么，明年是不是可能开阳线呢？ 再看跌幅，虽然20年来有10年是下跌的，但是，上证指数跌幅超过20%的也不过只有4次，跌幅最大的是2008年，上证指数下跌65.39%，1994年和2001年上证指数跌幅也超过20%，分别下跌22.3%和20.62%，然后就是今年下跌了21.68%，成为历史上第三大年跌幅。总体看，上海股市有10年是下跌的，但跌幅不算很大。 为了让读者了解20年来上海股市的涨跌情况，将上证指
数每年涨跌数据附在后面。 上证指数历史上年涨跌幅 ■1990年，开盘96.05点，最高127.61点，最低95.79点，收盘127.61点。 ■1991年，开盘127.61点，最高292.75点，最低104.96点，收盘292.75点，上涨129.41%。 ■1992年，开盘293.74点，最高1429.01点，最低292.76点，收盘780.39点，上涨166.57%。 ■1993年，开盘784.13点，最高1558.95点，最低750.46点，收盘833.8点，上涨6.84%。 ■1994年，开盘837.7点，最高1052.94点，最低325.89点，收盘647.87点，下跌22.3%。 ■1995年，开盘637.72点，最高926.41点，最低524.43点，收盘555.29点，下跌14.29%。 ■1996年，开盘550.26，最高1258.69点，最低512.83点，收盘917.02点，上涨65.14%。 ■1997年，开盘914.06点，最高1510.18点，最低870.18点，收盘1194.1点，上涨30.22%。 ■1998年，开盘1200.95点，最高1422.98点，最低1043.02点，收盘1146.7点，下跌3.97%。 ■1999年，开盘1144.89点，最高1756.18点，最低1047.83点，收盘1366.58点，上涨19.18%。
国内知名的股票指数
国内知名的股票指数 中国有两个证券交易所，一个是上海证券交易所，一个是深圳证券交易所，因此，中国的股票市场分为上海股市和深圳股市两块，俗称沪市和深市。参照各国股市的标准，上海证券交易所和深圳证券交易所分别设计了符合自身特点的各类市场指数，以反映整体市场的不同侧面。其中，最具代表性的是上证综合指数和深圳成份指数，当然还有一些其他的重要指数。下面作简要介绍。 1、上证综合指数 上证综合指数全称为上海证券交易所综合股价指数，简称为上证指数。它是国内外普遍采用的反映上海股市总体走势的统计指标，是由上海证券交易所编制的、以上海证券交易所挂牌的全部股票为计算范围、以总市值为权数的加权综合股价指数。 上证综合指数的构成包括A股、B股和基金。该指数以1990年12月19日为基准日（所有行情分析软件的数据库资料都是从此时段开始的），基日指数为100点，自1991年7月15日开始发布。1992年2月21日，上海证券交易所增设了上证A股指数与上证B股指数，以反映A股和B股各自的走势。1993年6月1日，上海证券交易所又增设了上证分类指数，即增设了工业指数、商业指数、地产指数、公用事业指数、综合指数，以反映不同行业股票的各自走势。 2005年，上海证券交易所选取已完成股权分置改革的沪市上市公司样本股，发布了新上证指数，以反映这批股票的市场走势。新上证指数以2005年12月30日为基日，以该日所有样本股的市价总值为基期，基点定为1000点。新上证指数简称新综指，指数代码为000017，于2006年1月4日正式发布。但该指数一直未引起市场重视，其市场指导意义不大。 上证综合指数对新股的处理也经过了几次变化。最初是新股上市的第2个交易日开始列入计算范围；后来在股市低迷的时候，新股上市的当天就被列入了计算范围；目前是新股上市后的第11个交易日才被列入计算范围。如中国石油于2007年11月5日上市，11月19日才被纳入样本股进行计算。 总体来看，上证综合指数虽然为国人所倚重，但其本身的缺陷是比较大的。由于我国上市公司的股票有流通股和非流通股之分，其总股本并不等同于流通股，所以以总市值作为权数的上证综合指数必然缺乏科学性和实用性，难以正确反映股市的运行趋势。比如，若按照2007年10月16日上证综合指数最高值为6124点来计算，意味着当时的上证综合指数比之1990年12月19日的100点上涨了61倍，即几乎所有的股票价格都上涨了61倍，但事实上，绝大部分股票的涨幅都远没有达到这种程度。这就是上证综合指数带给交易者的误导，权重大的股票对大盘指数起到了脱离实际状况的推波助澜的作用。 上证综合指数目前已成为超级主力控制大盘走势的市场工具，使股票指数的走势与大部分股票的涨跌相背离。如在2008年11月3日，若按沪市总市值来排序，中国石油以16840亿元排在第一位，但如果按其416亿元的流通市值来计算，则其只能在当时排在第13位。也就是说，只要相对不多的资金，主力就可以操纵权重最大的股票，以畸形的扭曲股指的涨跌幅度。中国石油于2007年11月19日计入上证综合指数时，其权重达到了23.53%（当日该股收盘时的总市值/当日沪市收盘时所有股票的总市值=23.53%），当时大盘的指数为5300点，如果中国石油跌10%，就会导致大盘跌2.35%或125点，而使中国石油涨/跌10%并不是一件很困难的事。比如，2008年9月19日，中国石油涨停，成交金额只有3.1亿元；第二日继续涨停，成交金额也只有21亿元；2008年10月27日，中国石油下跌6.4%，成交金额不过2.7亿元。再翻开中国石油和沪市大盘的分时走势图，交易者可以明显地看到两者的走势何其相似。