發(fā)布時(shí)間：2018-01-15 22:11

  本文關(guān)鍵詞：2015年股市大跌前后的股指期現(xiàn)關(guān)系　出處：《上海社會科學(xué)院》2017年碩士論文　論文類型：學(xué)位論文

  更多相關(guān)文章： 股指期貨 時(shí)間序列 高頻數(shù)據(jù) 領(lǐng)先滯后關(guān)系 向量自回歸 誤差項(xiàng)自相關(guān) 異方差

【摘要】：2015年6月至8月中國股市大跌期間,股指期貨成交異�；钴S,成交持倉比奇高,多個(gè)交易日出現(xiàn)相對現(xiàn)貨指數(shù)的大絕對值負(fù)基差。很多人將股指期貨視為股市大跌的重要推手,當(dāng)年8月底和9月初監(jiān)管層也出臺了對股指期貨交易的嚴(yán)厲限制措施。此后,關(guān)于股指期貨在股市大跌中扮演的角色,業(yè)界和學(xué)術(shù)界有不少研究和爭論。本文從股市大跌前后的股指期現(xiàn)關(guān)系——主要是期現(xiàn)日內(nèi)收益率的領(lǐng)先滯后關(guān)系這一方面——入手切入這一問題。主要工作是使用1分鐘高頻數(shù)據(jù),通過向量自回歸和多元線性回歸這兩種簡潔有效的方法,分析大跌前后股指期現(xiàn)收益率領(lǐng)先滯后關(guān)系的基本特征、前后變化以及在不同市場行情下的差異。結(jié)果表明,相比大跌之前和之后,股市大跌期間股指期貨對現(xiàn)貨的領(lǐng)先程度或者現(xiàn)貨對期貨的滯后程度保持不變或者有所減弱,而非顯著增強(qiáng);如果只考慮股市大跌期間,那么相比指數(shù)漲跌溫和(用1分鐘內(nèi)指數(shù)漲跌幅度量)的時(shí)段,期貨對現(xiàn)貨的領(lǐng)先強(qiáng)度在指數(shù)大漲大跌時(shí)段明顯增強(qiáng),但這種增強(qiáng)在指數(shù)大漲和大跌兩種情形下具有對稱性,而不是在大跌時(shí)更強(qiáng),即股指期貨并沒有單向的助跌作用。這些結(jié)果說明,從期現(xiàn)日內(nèi)收益率動態(tài)關(guān)系的角度來看,股指期貨導(dǎo)致股市大跌的說法缺乏依據(jù)。本文在兩種方法原型的基礎(chǔ)上進(jìn)行了一些創(chuàng)新和改進(jìn):在使用向量自回歸模型估計(jì)期現(xiàn)日內(nèi)收益率在每個(gè)交易日的相互領(lǐng)先關(guān)系時(shí),不僅對兩個(gè)方向上是否有領(lǐng)先關(guān)系進(jìn)行推斷,還通過一系列系數(shù)聯(lián)合顯著性檢驗(yàn)計(jì)算出每個(gè)交易日領(lǐng)先時(shí)間長度的上下界;進(jìn)行多元線性回歸時(shí),不僅將現(xiàn)貨收益率作為被解釋變量,將期貨收益率的領(lǐng)先、同期、滯后項(xiàng)作為解釋變量以估計(jì)某個(gè)時(shí)間區(qū)間現(xiàn)貨對期貨的領(lǐng)先滯后關(guān)系并對誤差項(xiàng)異方差和自相關(guān)予以修正,還通過在回歸方程中添加虛擬變量的方法,評估同一時(shí)間區(qū)間內(nèi)市場短期行情不同時(shí)這種關(guān)系是否有顯著變化。本文的另一個(gè)創(chuàng)新之處是分析角度的多樣化:4.3.2和4.3.3以交易日為單位分析期現(xiàn)關(guān)系的動態(tài)變化;4.4.2分三個(gè)時(shí)間段——股市大跌之前、股市大跌期間、股市大跌結(jié)束且股指期貨限制措施實(shí)施后——分析股市大跌期間的期現(xiàn)關(guān)系與之前和之后的差別;4.4.3和4.4.4聚焦股市大跌期間,對比期現(xiàn)關(guān)系在指數(shù)漲跌幅不同或期現(xiàn)相對交易活躍度不同的時(shí)段的差異。不同分析角度得到的結(jié)果具有較好的一致性,表明本文結(jié)論是穩(wěn)健的。本文基本結(jié)構(gòu)是:前兩章回顧國際和國內(nèi)股指期貨市場的起源和發(fā)展現(xiàn)狀,并對相關(guān)研究進(jìn)行綜述;第三章概括了 2015年股市大跌期間現(xiàn)貨和期貨市場的異常表現(xiàn),還對股指期貨限制措施進(jìn)行了歸納梳理;第四章先是簡要論述選擇1分鐘抽樣數(shù)據(jù)的理由,總結(jié)了數(shù)據(jù)基本特征,后面分別用兩種方法進(jìn)行統(tǒng)計(jì)推斷,并對兩種方法估計(jì)結(jié)果的含義差別進(jìn)行了說明,最后列出后續(xù)可以進(jìn)行的工作。
[Abstract]:From June 2015 to August Chinese during the stock market crash, the stock index futures traded positions were very active, beach high, a number of trading days appear relatively large stock index absolute value of negative basis. Many people will be an important promoter of stock index futures as the stock market crash, the same year the end of August and early September regulators have introduced strict restrictions on stock index futures the transaction of stock index futures. Then, play the role in the stock market crash, there are a lot of research and debate the industry and academia. The relationship between the stock of the current stock market before and after the main stage yields are now days the lead lag relationship in this aspect: to start cutting the problem. The main work is to use high frequency the data for 1 minutes, through vector auto regression and multivariate linear regression of these two kinds of simple and effective methods, analysis of the basic characteristics of the stock of the current rate of return fell after the lead lag relationship between before and after. The differences and changes in different market conditions. The results show that, compared to before and after the crash, the stock market during the period of stock index futures on the spot of the leading level or spot on the lag of futures remained unchanged or decreased, rather than increased; if only consider the stock market during the crash, then compared with moderate index change (index change amount within 1 minutes) time, leading strength on the spot futures index rose fell markedly in time, but the increase has symmetry in the index rose and fell under two cases, rather than more in the crash, the stock index futures is not a one-way or help role. These results suggest that the benefits from now the daily rate dynamic relations perspective, the stock index futures and stock market crash is the lack of basis. This paper makes some innovation and improvement in the two methods based on the prototype: Using the vector auto regression model to estimate the interaction relationship between the days leading yields on each trading day, not only to infer whether there is relationship between the two leading direction, is also calculated in each trading day ahead of time length on lower bound by a series of coefficients significant test; multiple linear regression, not only the spot rate of return as explanatory variables, the futures rate of return over the same period, lead lag as explanatory variables to estimate a time interval on the spot futures lead lag relationship and correct errors of heteroscedasticity and autocorrelation, by adding dummy variables in the regression equation, with short-term market assessment a time interval in the market and whether this relationship has changed significantly. Another innovation of this paper is to analyze the perspective of diversification: 4.3.2 and 4.3.3 to the trading day as a unit analysis The relationship between the dynamic change of 4.4.2; before three time periods: the stock market, the stock market crash, stock market and stock index futures ended after the implementation of restrictive measures -- Analysis of the stock market fell during the present relationship and difference before and after the period of 4.4.3 and 4.4.4; on the stock market fell, compared the present relationship of differences or different rose or the relative activity of different period in different angle analysis index. The results obtained are in good agreement, show that this conclusion is robust. The basic structure of this paper is: the origin and development of the review of the international and domestic stock index futures market in the first two chapters, and reviews related research; the third chapter the abnormal performance of spot and futures markets during the stock market crash of 2015, the stock index futures restrictions combed; the fourth chapter briefly discusses the choice of 1 minutes sampling The reason of data is summarized, the basic characteristics of data are summarized, and two methods are used for statistical inference. The meaning difference between the two methods is explained. Finally, the following works can be listed.

【學(xué)位授予單位】：上海社會科學(xué)院
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：F724.5;F224

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 郭興義,杜本峰,何龍燦;(超)高頻數(shù)據(jù)分析與建模[J];統(tǒng)計(jì)研究;2002年11期

2 金登貴;我國股市高頻數(shù)據(jù)分布特征實(shí)證研究[J];江西廣播電視大學(xué)學(xué)報(bào);2005年03期

3 應(yīng)益榮;包郭平;;金融市場高頻數(shù)據(jù)分析的建模進(jìn)展[J];五邑大學(xué)學(xué)報(bào)(自然科學(xué)版);2006年01期

4 包郭平;應(yīng)益榮;;金融市場中高頻數(shù)據(jù)的分析方法[J];五邑大學(xué)學(xué)報(bào)(自然科學(xué)版);2007年01期

5 金登貴;中國證券市場高頻數(shù)據(jù)分布特征研究[J];統(tǒng)計(jì)與決策;2005年20期

6 曾勇,王志剛,李平;基于高頻數(shù)據(jù)的金融市場微觀結(jié)構(gòu)實(shí)證研究綜述[J];系統(tǒng)工程;2005年03期

7 魏莉婭;馬永開;;基于高頻數(shù)據(jù)的深圳基金市場日內(nèi)周期性研究[J];當(dāng)代經(jīng)濟(jì)管理;2007年01期

8 劉建華;;基于高頻數(shù)據(jù)的中國股市量價(jià)日內(nèi)特征分析[J];經(jīng)濟(jì)師;2007年10期

9 趙巍;何建敏;;基于股市高頻數(shù)據(jù)的半?yún)��?shù)估計(jì)方法[J];數(shù)理統(tǒng)計(jì)與管理;2007年01期

10 胡紹波;;已實(shí)現(xiàn)極差系統(tǒng)風(fēng)險(xiǎn)及其在中國股市的應(yīng)用[J];中國商界(下半月);2010年09期

相關(guān)會議論文 前6條

1 郭名媛;;基于高頻數(shù)據(jù)的已實(shí)現(xiàn)極差相關(guān)系數(shù)及實(shí)證研究[A];2012管理創(chuàng)新、智能科技與經(jīng)濟(jì)發(fā)展研討會論文集[C];2012年

2 郭名媛;;基于高頻數(shù)據(jù)的賦權(quán)已實(shí)現(xiàn)極差相關(guān)系數(shù)及其實(shí)證研究[A];社會經(jīng)濟(jì)發(fā)展轉(zhuǎn)型與系統(tǒng)工程——中國系統(tǒng)工程學(xué)會第17屆學(xué)術(shù)年會論文集[C];2012年

3 唐勇;;金融市場波動建模:基于高頻數(shù)據(jù)視角[A];社會經(jīng)濟(jì)發(fā)展轉(zhuǎn)型與系統(tǒng)工程——中國系統(tǒng)工程學(xué)會第17屆學(xué)術(shù)年會論文集[C];2012年

4 楊懷東;伍娟;盛虎;;基于高頻數(shù)據(jù)的成對交易統(tǒng)計(jì)套利策略實(shí)證研究[A];第五屆（2010）中國管理學(xué)年會——金融分會場論文集[C];2010年

5 張晨;李月環(huán);;基于調(diào)整“已實(shí)現(xiàn)”波動率的滬深300指數(shù)高頻數(shù)據(jù)波動性研究與預(yù)測[A];中國會計(jì)學(xué)會高等工科院校分會2008年學(xué)術(shù)年會（第十五屆年會）暨中央在鄂集團(tuán)企業(yè)財(cái)務(wù)管理研討會論文集（上冊）[C];2008年

6 劉淳;朱世武;何濟(jì)舟;;金融市場波動擇時(shí)策略的經(jīng)濟(jì)價(jià)值分析[A];經(jīng)濟(jì)全球化與系統(tǒng)工程——中國系統(tǒng)工程學(xué)會第16屆學(xué)術(shù)年會論文集[C];2010年

相關(guān)重要報(bào)紙文章 前5條

1 本報(bào)記者 任曉;12月PMI或小幅上行[N];中國證券報(bào);2013年

2 程實(shí);美國金融體系逐漸恢復(fù) 實(shí)體經(jīng)濟(jì)企穩(wěn)[N];中國經(jīng)濟(jì)時(shí)報(bào);2009年

3 華泰長城期貨 謝趙維　許惠敏;高庫存料繼續(xù)“重壓”礦價(jià)[N];中國證券報(bào);2014年

4 金融學(xué)博士 宏觀經(jīng)濟(jì)分析師 程實(shí);全球經(jīng)濟(jì)隱約徘徊著復(fù)合危機(jī)陰影[N];上海證券報(bào);2011年

5 申銀萬國證券研究所 李慧勇;新興市場保持資金大額流入[N];證券時(shí)報(bào);2014年

相關(guān)博士學(xué)位論文 前7條

1 馬鋒;高頻數(shù)據(jù)視角下非參數(shù)波動率建模、預(yù)測及其評價(jià)研究[D];西南交通大學(xué);2016年

2 唐勇;基于高頻數(shù)據(jù)的金融市場分析[D];天津大學(xué);2007年

3 鎮(zhèn)磊;基于高頻數(shù)據(jù)處理方法對A股算法交易優(yōu)化決策的量化分析研究[D];中國科學(xué)技術(shù)大學(xué);2010年

4 劉廣應(yīng);帶跳的分?jǐn)?shù)維積分過程的冪變差理論及其在金融高頻數(shù)據(jù)中的應(yīng)用[D];復(fù)旦大學(xué);2011年

5 李勝歌;基于高頻數(shù)據(jù)的金融波動率研究[D];天津大學(xué);2008年

6 王少斌;基于高頻數(shù)據(jù)的投資者交易行為研究[D];首都經(jīng)濟(jì)貿(mào)易大學(xué);2014年

7 王芳;基于市場微觀結(jié)構(gòu)噪聲和跳躍的金融高頻數(shù)據(jù)波動研究[D];西南財(cái)經(jīng)大學(xué);2011年

相關(guān)碩士學(xué)位論文 前10條

1 周智櫓;滬深300股指期貨已實(shí)現(xiàn)波動率的研究[D];中國青年政治學(xué)院;2015年

2 米佳奇;基于高頻數(shù)據(jù)的期貨跨品種套利研究[D];浙江工商大學(xué);2015年

3 李夢瑩;基于高頻數(shù)據(jù)的A股銀行板塊配對交易研究[D];復(fù)旦大學(xué);2014年

4 謝欣欣;基于對限價(jià)指令簿信息的研究對高頻金融數(shù)據(jù)進(jìn)行建模[D];上海交通大學(xué);2015年

5 王浩;基于趨勢反轉(zhuǎn)的程序化交易研究[D];上海交通大學(xué);2014年

6 歐陽君宏;金融資產(chǎn)跳躍特性研究[D];福州大學(xué);2014年

7 林欣;基于高頻數(shù)據(jù)的金融資產(chǎn)共同跳躍建模研究[D];福州大學(xué);2014年

8 周明眉;基于Hilbert-Huang變換的高頻數(shù)據(jù)波動率的估計(jì)[D];長春工業(yè)大學(xué);2016年

9 蔡豐澤;基于小波分析的金融高頻數(shù)據(jù)波動率估計(jì)研究[D];長春工業(yè)大學(xué);2016年

10 胡龍;基于RV-MSM模型的滬深300波動分析[D];華中科技大學(xué);2013年

，

本文編號：1430271