一、金融资产定价理论的方法比较(论文文献综述)
武翰章[1](2021)在《中国股票市场投资者失望厌恶资产定价研究》文中进行了进一步梳理自投资者预期效用理论创立后,以理性人为前提假设的传统金融学发展迅猛,一系列经典理论如均值方差模型、资本资产定价模型、有效市场理论以及Fama&French三因子模型等对学术界和实业界产生了深远的影响。但随着相关研究的持续深入,大量与预期效用理论相悖的市场异象被发现。为了解释这些金融异象,学者们开始结合人类心理学,从非理性人的视角展开分析。由此,行为金融学应运而生。行为金融理论更加贴近实际的假设,使得其在解决资本市场中的各种难题时取得了成功。投资者非理性行为是行为金融学框架的支柱和核心,行为金融理论研究的不断丰富促使着更多潜在的投资者非理性心理被挖掘出来。而在众多研究中,一种特殊的投资者非理性心理——失望厌恶正逐渐受到人们的关注。失望厌恶是指当投资者的行为结果低于预期时,其会产生的失望情绪,而这种失望情绪无疑会干扰投资者的决策选择,最终对股票价格波动造成影响。那么,投资者失望厌恶心理究竟如何影响股票收益呢?特别是在我国资产市场发展较晚、非理性程度较高的散户占主体的背景下,研究该问题具有重要的理论和现实意义。本文从递归效用函数出发,依托投资者失望厌恶理论,构建失望厌恶投资者效用函数,并结合财富约束条件求解失望厌恶随机折现因子表达式,利用消费市场变量和股票市场变量分别推导出基于消费市场的失望厌恶资产定价模型和基于股票市场的失望厌恶资产定价模型。在此基础上,结合中国资本市场数据,实证考察投资者失望厌恶心理与股票收益的关系。主要得到以下结论:首先,利用基于消费市场的失望厌恶资产定价模型估计投资者偏好参数,结果显示,投资者失望厌恶参数k接近于1,表明投资者符合一般失望厌恶特征。使用规模—账市比投资组合、规模—动量投资组合、规模—盈利投资组合以及规模—投资投资组合分别检验基于消费市场的一般失望厌恶资产定价模型(CDA模型)与EZ模型的横截面表现、基于股票市场的一般失望厌恶资产定价模型(SDA模型)与CAPM模型的横截面表现,结果显示,在解释股票收益方面,CDA模型优于EZ模型,SDA模型优于CAPM模型,同时从失望厌恶资产定价模型内部来看,SDA模型优于CDA模型。通过消费数据和股票数据刻画投资者失望事件,结果显示,在经济增速放缓、消费增长下降以及股市收益为负期间,更容易出现投资者失望事件,并且基于股票市场的投资者失望事件比基于消费市场的投资者失望事件更为常见,这反映了我国股票市场波动较大的现状。其次,鉴于SDA模型在横截面上的良好表现,为进一步探究失望厌恶资产定价模型在我国资本市场上的适用性,将SDA模型与经典资产定价模型、不对称风险偏好资产定价模型进行比较,结果显示,在解释股票横截面收益方面,SDA模型的表现不如Fama-French三因子模型、Carhart四因子模型和Fama-French五因子模型,但在时间序列方面,SDA模型能够为一些股票投资组合提供更小的定价误差;同时,上行、下行Beta模型和损失厌恶资产定价模型都可以被视为SDA3模型的特例,SDA模型的表现优于上行、下行Beta模型和损失厌恶资产定价模型,表明不对称风险偏好资产定价模型的拟合效果与其参考点位置的设定有关。将研究的关注点落脚到金融市场异象,发现我国股票市场存在误定价现象;就股票财务指标收益异象而言,现金流市值比异象、营业利润异象、净营运资产异象、总资产增长异象以及盈利价格比异象显着存在;就股票特征指标收益异象而言,偏度异象、峰度异象、特质波动率异象、短期反转异象、中期反转异象以及长期反转异象显着存在。而在考虑投资者失望厌恶心理后,股票市场误定价消失,营业利润异象、净营运资产异象和盈利价格比异象消失,短期反转异象、中期反转异象和长期反转异象消失,其揭示了投资者失望厌恶心理与部分金融市场异象的内在联系。将流动性因素加入失望厌恶资产定价模型中,结果显示,下跌因子对股票收益的负向影响仍然显着,并且流动性与股票收益正相关。最后,为增强SDA模型研究的全面性,探究SDA模型在不同市场环境下的表现。利用离散程度更大的个股数据,从市场信息效率、经济政策不确定性、市场行情和投资者情绪四个维度描述市场环境,结果显示,在解释股票收益方面,SDA模型在市场信息效率较低的股票中表现更加优异,高经济政策不确定性会增强投资者失望厌恶在资产定价中扮演的角色,投资者失望厌恶心理在熊市行情中发挥更大的作用,SDA模型在低投资者情绪组的拟合程度R2更高、均方根误差RMSE更小,这印证了投资者的心理和决策行为受市场环境影响的说法。本文的创新之处主要有以下几个方面:第一,揭示了投资者失望厌恶心理的资产定价效应。以往文献集中于分析投资者失望厌恶心理与投资组合选择、期货套期保值的关系,本文则考察投资者失望厌恶心理对股票收益的影响。将国外投资者失望厌恶理论与中国资本市场相结合,探究投资者失望厌恶心理在股价波动中发挥的作用,有助于深入认识投资者失望厌恶心理。同时,将失望厌恶资产定价模型与多种资产定价模型进行横截面表现比较,为有关资产定价模型选择的理论研究和实践研究提供新的参考。第二,构建了投资者失望状态的判断标准。以往文献聚焦于投资者失望厌恶定性分析,本文则定量刻画投资者失望事件。利用消费数据和股票数据计算投资者失望事件触发阈值,进而描述我国投资者失望厌恶状况,有助于结合宏观经济背景和股票市场背景理解投资者决策过程中失望情绪的产生缘由。同时,投资者失望事件的明确识别,破除了失望厌恶度量困难的应用壁垒,有效地促进投资者失望厌恶概念应用于其他实证研究领域。第三,补充了金融市场异象的解释视角。以往文献多基于其他投资者非理性心理解析金融市场异象形成原因,例如:过度自信、从众行为以及损失厌恶等,本文则基于投资者失望厌恶心理探究其与金融市场异象的关系。使用我国资本市场数据检验部分金融市场异象的存在性,依托投资者失望厌恶资产定价模型解释金融市场异象收益,有助于更好地理解异象发生的内在机制。同时,失望厌恶心理下金融市场异象的消失,彰显出挖掘投资者非理性心理的重要性。第四,展现了投资者失望厌恶心理对股票收益影响的差异性。区别于已有的单一研究,本文进行投资者失望厌恶心理资产定价效应的情景分析。将投资者失望厌恶资产定价模型与资本市场外部环境结合,剖析不同市场信息效率、不同经济政策不确定性、不同市场行情以及不同投资者情绪下投资者失望厌恶心理的差别,有助于洞察投资者失望厌恶心理在不同市场环境下的表现特征。同时,对比不同市场环境下投资者失望厌恶资产定价模型的定价效果,使得有关投资者失望厌恶资产定价的研究更具系统性。
钱玲玲[2](2021)在《中国大陆股市与国际主要股市的相依性、风险溢出与影响因素研究》文中认为随着中国经济的快速发展和金融市场一体化进程的加速,中国大陆与全球主要经济体之间的经济、贸易和金融联系日益紧密,其金融市场呈现出非线性、非对称性、尾部相依性等复杂的相依关系。与此同时,风险在国际金融市场间的传导速度也在不断加快,风险度量和管理的难度日益增加。因此,准确地描述金融市场相依性、有效地度量金融风险以及合理地检验风险溢出已成为现代金融分析亟待解决的关键问题。探究中国大陆股市与国际主要股市的相依性、风险溢出与影响因素对于促进我国大陆金融市场的国际化和维护经济金融安全具有重要的理论和现实意义。在金融市场相依性和风险管理的研究和实践中,金融市场的非线性相依、尾部相依等特征已导致传统的相依性与风险溢出分析方法不再适用,Copula理论的出现及其成功应用提供了一个很好的解决方案。基于此,本文综合利用Copula函数等计量方法来描述金融市场间复杂的相依性,更准确地进行风险度量和风险溢出检验。具体而言,为了研究中国加入WTO后中国大陆股市与中国香港、中国台湾、美国、日本、韩国、澳大利亚、英国、法国、德国、巴西、俄罗斯、印度股市的相依性、风险溢出与影响因素,本文首先构建了四种边缘分布模型,从而选取描述样本股市收益率边缘分布的最优模型,为正确利用Copula函数进行分析奠定了基础。研究发现,非参数ARMA-GARCH族-EVT模型最适于描述样本股市的边缘分布。其次,在相依性建模阶段,本文利用了9种静态Copula函数、3种时变Copula函数和DCC-GARCH模型对上证综指与其他样本股指两两组合的相依结构进行刻画。结果表明,在样本期间,中国大陆股市与国际主要股市的相依性整体较弱,且具有显着的时变性与区域性特征。进一步,结构突变点的诊断结果表明,中国大陆股市与国际主要股市的相依性受到金融危机等事件的影响,表现出显着的阶段性特征。再次,在经济基础说、资本流动说和市场传染说的基础上,本文从经济政策不确定性、共同冲击、宏观经济状况和股市特性四个方面探究了中国大陆股市与国际主要股市相依性的影响因素。面板回归结果显示,经济政策不确定性差异和利率差异显着降低了股市相依性,而全球金融危机和贸易依存度产生了正面影响。此外,本文在考察股票这一类资产内部不同国家(地区)相依性的基础上,进一步探讨了股票资产与其他金融资产的相依性。具体而言,本文以近年来新兴的数字货币资产为代表,利用Copula函数、DCC-TGARCH和DCC-MIDAS模型探究了全球股市与数字货币市场的跨资产类别相依性以及经济政策不确定性和新冠肺炎疫情对其的影响。结果表明,全球股市组合与数字货币市场指数CRIX间的相依性较低,说明数字货币对股市具有一定的风险对冲能力,并且经济政策不确定性与新冠肺炎疫情有一定影响。最后,考虑到Vine Copula模型在描述多变量间复杂相依结构方面的优势,本文利用三种Vine Copula模型进行分析建模,以确定最优模型。结果表明,R-Vine Copula最适于描述中国大陆股市与国际主要股市的高维相依结构,且样本股市的相依性存在明显的结构差异。基于R-Vine Copula模型,本文结合蒙特卡洛模拟法和基于滚动时间窗的估计样本外预测方法估计了各股指及其组合的在险价值(Va R),进而选用Va R-Granger因果检验与Diebold&Yilmaz溢出指数探究了中国大陆股市与国际主要股市的风险溢出。结果表明,从中国大陆股市到美国、法国和德国股市均表现出了极端风险的溢出效应。从风险溢出强度的结果来看,中国台湾、中国大陆、中国香港、美国、英国、日本股市是风险溢出的净输出者,而俄罗斯、巴西、德国、韩国、印度、法国与澳大利亚股市是风险溢出的净接受者。本文主要有以下三点启示:其一,制定相关政策,防范国际金融市场的系统性风险,加快推进央行数字货币;其二,改善宏观基本面,加强金融市场建设,稳步推进对外开放和国际合作;其三,充分考虑全球股市间及其与数字货币市场的相依性与风险溢出以及当前的经济政策不确定性,从而更准确地预测国际金融市场的走势。
方雨宁[3](2021)在《商业银行净值型理财产品收益率影响因素分析》文中指出银行理财产品满足了我国城乡居民日渐增长的财富管理需求,也在存贷利差缩小情况下提高了银行的盈利能力。但在银行理财业务蓬勃发展的同时,出现了刚性兑付、多层嵌套、期限错配等问题,积聚了不少的风险。2018年“资管新规”的发布引导商业银行理财回归到代客理财的资管业务本源,要求银行理财产品进行净值化管理。净值型理财产品用净值表现收益率,通过净值体现底层资产的价格波动,打破了刚性兑付的传统理念。理财产品净值化管理给商业银行既带来了市场机遇,也带来了业务转型的挑战。本文通过对净值型理财产品的理论分析,对其收益率影响因素的实证研究,提出银行理财产品净值化发展的相关建议。首先梳理国内外相关文献,分为理财业务、理财产品收益率、其他资管产品收益率三个角度。其次介绍我国商业银行理财产品的分类和投资结构,简述净值化现状、估值方法和产品特征。再次从微观因素和宏观因素两方面探讨各影响因子对商业银行净值型理财产品收益率的影响作用。由我国商业银行净值型理财产品披露的净值计算收益率,构建影响因素的回归模型。结果表明,微观因素方面,风险等级对收益率有较大的正向影响,委托期对封闭式理财产品收益率呈正向影响,开放类型和银行类别也对收益率有显着影响;宏观因素方面,中证国债指数、上证指数、通货膨胀指数对净值型理财产品收益率有正向影响,货币供应量、利率呈负向关系。按照发行主体的不同类型进行分别回归,从回归结果推测当前部分产品可能存在收益率过于平滑的问题,理财子公司在理财产品净值化转型中起到了示范作用。最后,本文从商业银行、监管部门、投资者三个方面提出了银行理财产品净值化转型的相关建议。
于杰[4](2021)在《异质性左尾风险与横截面股票收益 ——基于中国A股市场的实证研究》文中指出风险和收益的关系是资产管理领域重要的主题。新冠疫情引发的资本市场动荡让人们再次认识到,关注并防范发生概率较小,但如果发生会带来较大损失的风险(也就是左尾部风险)的重要性。学术届和业界对于尾部风险的研究由来已久,但大都从系统性风险角度切入,近年来,国外有学者开始关注个股层面的异质性尾部风险对于其收益的影响,并且发现,在美国市场上,个股的异质性左尾风险对其未来收益有显着的负向影响,有学者称这种现象为美国市场上的“左尾风险异象”,并且尝试进行了解释。中国股票市场与美国市场存在一定的相似之处,中国股票市场上是否也存在“左尾风险异象”?如果存在,该“异象”可否从行为金融学视角加以理解与解释?国内目前鲜有文献进行过专门的研究,本文则重点关注这一主题。本文结合中国A股市场2000年至2020年的个股数据,采用单变量投资组合分析、双变量投资组合分析和和Fama Macbeth回归法,对股票的异质性左尾风险和其横截面收益之间的关系进行了定量研究,本文还使用转移矩阵法和相关系数分析法检验了中国股票市场上左尾风险的持续性。进一步,考虑到中国股票市场投资者结构的特点,本文还从机构投资者和证券分析师关注两个角度切入,深入研究了个股层面的左尾风险与股票收益之间的关系。本文的主要结论如下:(1)在中国市场上,个股的异质性左尾风险与其横截面收益之间存在显着的负相关关系,并且在更换了多种左尾部风险衡量指标后该负相关关系依旧显着,中国股票市场上存在显着的“左尾风险异象”。(2)中国股票市场上的左尾风险具有显着的持续性特征,结合这种特征,本文尝试从行为金融学的角度对上述左尾风险异象提出了解释:投资者往往会低估左尾风险的持续性,没有及时对高左尾风险的股票进行理性处理,当左尾风险持续,投资者在未来有可能继续承担更多损失,从而带来了更低的收益。(3)机构投资者持股比例越高以及分析师关注度越高的股票,其“左尾风险异象”得到了明显抑制。基于上述结论,本文从培育机构投资者队伍和完善分析师行业的角度对资本市场健康发展提出了政策建议。
蔡启航[5](2021)在《媒体情绪对股票收益率的影响分析 ——基于自然语言处理和多因子模型的拓展研究》文中认为文章通过2016年1月至2020年9月间wind客户端的新闻文本信息以及来源于wind数据库、CSMAR数据库的股票相关量价信息来研究媒体情绪对资产定价的影响。文章主要内容为媒体情绪指标的构建、媒体情绪和收益率的因果关系、媒体情绪与资产误定价和基于媒体情绪的多因子模型构建。为了衡量媒体情绪,本文将收集的150余万条日频新闻数据进行自然语言处理,通过文本分析的方式构建月度媒体情绪指标。基于此指标来对媒体情绪和个股收益率之间的关系进行回归分析,并研究情绪的诸多效应。本文认为媒体情绪存在着滞后效应、反转效应和不对称效应。具体而言,媒体情绪能够在下一期对股票收益产生影响,当期和上期的情绪指标对股票收益的影响是反向的,积极情绪和消极情绪对于股票收益的影响是不同的。上述的结论在区分积极媒体情绪和消极媒体情绪的情况下依然成立,且消极情绪的影响更为显着,而积极情绪则消散更快。在媒体情绪作用机理的研究中,通过构造季度数据进行一系列的回归分析得到媒体情绪、投资者情绪和资产误定价这三个变量之间的联系。实证结果表明,媒体情绪越积极,资产误定价水平越高;媒体情绪和投资者情绪呈正相关关系;投资者情绪和资产误定价水平的变化方向相同。在此基础上,通过中介效应的检验研究媒体情绪对资产误定价的影响路径,文章认为媒体情绪是通过投资者情绪来影响资产误定价水平的。在拓展研究中和稳健性检验中根据情绪取值分组来研究不同情绪下作用机理的区别和联系,在研究媒体情绪与股票收益之间的关系以及媒体情绪作用机理之后,文章沿袭经典的多因子模型并引入媒体情绪作为新的因子,将行为金融学的视角引入资产定价理论。本文将媒体情绪指标作为新的因子即情绪因子对五因子模型进行拓展,通过验证说明了媒体情绪能够作为一个好的因子进一步对样本股票收益进行解释。在技术层面,本文则在相应指标的构造上既采用了学界通用的主成分分析方法构造投资者情绪指标也通过自然语言处理的方法处理新闻文本信息得到媒体情绪指标,拓展了已有研究。
彭波[6](2021)在《跳环境和混合高斯过程下的欧式期权定价及统计模拟分析》文中研究说明经典Black-Scholes(B-S)模型构建后,期权定价成为学术界研究的热点话题之一.随着对经典B-S定价模型研究的不断深入,发现原来的部分假设条件难以符合实际金融情况,如连续交易且无交易费用、标的资产价格变化服从几何布朗运动、以及对数收益率服从正态分布.已有的部分文献是单一考虑,鲜有同时考虑这三个假设条件,并且分数布朗运动下的期权定价模型会出现套利机会.主要研究了混合次分数布朗运动模型建立的欧式期权定价和风险管理问题.研究内容包括四部分.第一部分不考虑交易费用,建立了基于跳环境和混合次分数布朗运动下的欧式期权定价模型.首先,利用Delta对冲原理,获得了欧式期权所满足的随机偏微分方程.其次,使用拟条件期望分别得到欧式看涨、看跌期权定价公式和看涨看跌平价公式.基于此,第二部分利用混合次分数布朗运动建立了欧式期权定价模型,同时考虑带交易费用和跳环境来进行资产定价.首先,利用对冲策略,获得了欧式看涨期权所满足的随机偏微分方程.其次,使用自融资策略分别得到欧式看涨、看跌期权定价公式和看涨看跌平价公式.第三部分通过希腊字母和关于Hurst指数H的偏导公式量化了资产风险.最后,数值模拟表明:定价参数中的Hurst指数H和跳跃强度λ对期权价值有显着影响.第四部分中,分别采用"上证指数","市北B股"和"耀皮B股"等的收盘价日线数据,研究表明:在跳环境和混合高斯过程下的欧式期权定价比经典B-S模型更加接近真实值,该研究不仅能够在理论意义中丰富金融统计与风险管理有关期权定价方面的理论,同时在实际意义中也能够为金融市场提供更多的参考依据
戴逸明[7](2021)在《多维视角下的不确定性与中国股票市场资产定价》文中研究说明不确定性广泛地存在于人类社会的各个领域,从宏观经济运行到微观个体决策无一不在冥冥之中受到不确定性的影响。在宏观层面,不确定性通常伴随着重大政治、经济事件的驱动而出现大幅上升。仅仅在过去的十年间,全球范围内陆续经历了欧债危机、叙利亚战争、英国脱欧、中美贸易战、新冠疫情等一系列重大事件,各种事件的爆发与冲突不仅影响了全球政治经济格局也产生了一系列不确定性的冲击,进而引发了相关国家和地区经济环境及金融市场的动荡,就如今天的全球经济仍处在新冠疫情所带来的不确定性影响之下。除了现实层面的重要意义,不确定性也是学术界持续关注的议题,得益于过去十几年信息学、统计学等学科的发展和应用,关于不确定性的研究在度量方法和经验实证层面取得了一些进展。但由于不确定性表现出宽泛而模糊的概念特征,目前在关于不确定性的细分领域研究中还缺乏具有系统性和全面性的分析框架。在此背景下,本文基于实证资产定价的范式从多维度的视角探讨了不确定性和中国股票市场之间的关系。本文首次从宏观经济不确定性、微观不确定性、政策不确定性三个层面系统而全面地研究了不确定性对中国股票市场资产价格的影响。在宏观层面,本文发现中国宏观经济不确定性在时间序列上对A股市场收益率具有显着的正向预测能力,中国宏观经济不确定性的上升预示着A股市场期望收益率的上升,且这种预测能力并不能被其他常见的宏观预测因子所解释。本文的研究结论不同于美国的实证发现,美国宏观经济不确定性在美国股市表现出负的溢价。通过进一步比较发现,中美之间宏观经济不确定性存在周期性差异,在样本期内,中国宏观经济不确定性表现出顺周期特征,而美国宏观经济不确定性则表现出逆周期特征。这一发现说明中国宏观经济不确定性的产生与宏观经济超预期的增长有关,而美国宏观经济不确定性的产生主要源自宏观经济预期外的低迷或衰退。另外,尽管以往研究发现中美之间的宏观经济不确定性存在溢出效应,但美国宏观经济不确定性并不能预测中国股票市场期望收益率,这类宏观层面的不确定性对股票市场的定价能力仍局限在本土。在微观层面,本文发现微观不确定性在A股市场的个股横截面期望收益率中表现出负的溢价。基于收益率的高频数据,本文使用股价变化中的相对符号跳跃变差刻画了微观不确定性冲击的性质和程度,股价中反映出“好”的不确定性时,对应个股表现出较低的期望收益率,而当股价中反映出“坏”的不确定性时,对应个股具有较高的期望收益率。从具体的作用机制来看,微观不确定性冲击可以通过涵盖收益率高阶矩的风险溢价和投资者对不确定性过度反应引发的反转效应这两种渠道来影响A股横截面收益率。此外,研究结果也表明微观不确定性在资产组合配置中具有实际应用价值。在中观层面,通过使用源自国外的政策不确定性为本文的资产定价研究提供了更具外生性的视角,本文研究发现美国贸易政策不确定性与A股市场的个股横截面期望收益率呈显着的负相关,对美国贸易政策不确定性因子荷载较高的个股表现出更低的期望收益率,而因子荷载较低的个股则具有更高的期望收益率。在稳健性检验中本文尝试了改变因子荷载的衡量方式、延长投资组合持有期限、剔除不同截尾点的小市值样本等方法,仍然得到了一致的结果。而从机制解释的角度来看,投资者理性或非理性的行为都可以导致这一负溢价的产生。一方面,为了对冲不确定性产生的负面影响,投资者愿意为不确定性因子荷载较高的股票支付更高的价格并接受较低的期望收益率;另一方面,当出现政策冲击时,一些非理性投资者的随机信念转变为悲观信念,他们倾向于出售那些受到贸易政策不确定性负面影响的股票,这种由悲观情绪驱动的投资行为将导致不确定性因子荷载较低的股票被大量卖出且内在价值被低估,当贸易政策的不确定性趋于缓和后,被低估的股票会产生价格反弹,因而具有较高的期望收益率。此外,为了与以往研究进行比较,本文同时对中国经济政策不确定性纳入模型,不同于以往发现,本文的研究发现中国经济政策不确定性对A股的横截面期望收益率并没有显着的影响,并且也不会对美国贸易政策不确定性的定价能力产生影响。综上所述,本文的研究通过建立基于实证资产定价范式的统一框架系统性地研究了不确定性在A股市场上的资产定价能力及定价机制。本文的发现补充了以往关于不确定性与资产定价之间关系的研究,并通过机制分析发现了不同类型不确定性定价能力差异的根源。本文的研究对理解在不确定性冲击下资本市场投资者的异质性、股票市场的定价机制以及中国股票市场的资产配置和风险控制等方面具有现实意义。
朱佳磊[8](2021)在《系统性尾部贝塔与市场崩盘风险的对冲 ——基于崩盘风险的“安全第一准则”投资组合均衡模型》文中进行了进一步梳理近年来,世界金融市场发展迅速,但也跌宕起伏。1992年欧洲汇率机制危机、1994年墨西哥金融危机、1997年东南亚金融危机以及2008年美国次贷危机,每一次都给投资者造成了巨大损失,给监管当局留下了惨痛的教训。尤其是最近新冠疫情的爆发,世界经济发展受到巨大冲击,美股更是发生了历史罕见的四次熔断,国际油价大幅跳水,黄金抛售,大量资金逃离资本市场,投资者恐慌情绪蔓延,我国A股市场也频繁出现千股跌停的现象。因此,如何在市场崩盘时期,预测风险资产的尾部风险,并有效对冲市场崩盘风险的冲击,是社会各界密切关注的问题。本文在传统“安全第一准则”投资组合模型中引入了市场发生崩盘风险的约束条件,在均衡情形下获得了具有崩盘市场的资产定价模型(Crash CAPM:CCAPM),并将CCAPM中的风险负载定义为系统性尾部贝塔。结合传统的市场贝塔,论文构建了一个新的系统性尾部风险度量指标(β△)及其估计方法。利用1995年1月1日至2018年12月31日期间我国A股市场收益率数据作为研究对象,检验在市场崩盘时期,能否通过个股系统性尾部风险度量指标构建投资组合以对冲市场崩盘的冲击。经过一系列实证检验后,我们发现:(1)在市场崩盘时期,βΔ对风险资产的尾部收益率具有显着的正向影响,即高βΔ对应的投资组合,具有高的尾部收益率。(2)经β△排序分组构建的投资组合,在市场崩盘时损失越高,则在市场繁荣时收益也高,即呈现出几乎对称的系统性尾部风险特征。(3)由Highβ△组合与Lowβ△组合之差组成的H-L投资组合,在市场发生崩盘时,能够获得显着的、正的左尾部平均收益率,即可以有效地对冲市场的崩盘风险,这个特点正是投资者所预期的。(4)基于βΔ排序构成的H-L投资组合,在考虑Fama-French三因子(FF3)、五因子(FF5)及更多风险因子模型的检验下依然有显着的风险调整收益率,即这些风险因子模型不能解释由βΔ构建的H-L投资组合的正的左尾平均收益率。本文的研究对金融机构和政府监测系统性尾部风险具有重要价值。具有基金产品的金融机构可以通过我们的βΔ对基金系统性尾部风险进行有效估计,为金融机构在面临市场发生崩盘风险时提供事前的对冲策略做参考。政府部门可以通过监测风险资产的βΔ来监测其系统性尾部风险,提前做好风险预警,通过降低βΔ来降低这些资产对市场的影响。
江聪[9](2021)在《基于深度学习的资本资产定价研究》文中研究表明自1965年CAPM模型问世,发展到如今着名的q5模型,Fama-French六因子模型,大量的公司特征和因子不断被挖掘,模型的异象解释能力也不断增强,多因子定价模型始终在资产定价理论中保持着非常高的活力和生机。但是传统资本资产定价模型都离不开线性的假设,即收益与因子线性相关,该假设与金融市场存在众多噪声和现实世界的复杂性事实不相符合。随着大数据时代的到来,线性模型更难从大量的数据中提取有用的信息,所以随着时间的发展线性因子模型注定会越来越不能满足研究的需求。近年来,机器学习尤其是以神经网络为主的深度学习方法通过非线性的激活函数和目标最小化原则,可以拟合一切复杂的非线性关系。正如Cochrane(2011)强调的那样,应当应用不同的工具对市场进行研究,并且国内运行深度学习方法在这方面进行系统性的研究还处于初级阶段,本文便是结合深度学习的超强关系刻画能力和多因子定价理论对A股市场进行了非线性的公司特征与股票预期收益的研究。本文对已有文献中的452个异象进行筛选,基于1997年1月1日至2019年12月31日的A股数据,得到73个有效的公司特征,基于该特征,本文首先考察了A股市场的公司特征所隐含的股票预期收益之间的非线性性;其次对公司特征进行信息提取,构造出基于深度特征的深度定价因子,来对股票横截面预期收益进行研究;最后考虑公司特征变化下影响以检验和增强本文的结论。基于一系列研究和实证,本文得出以下结论:公司特征隐含的股票预期收益信息研究对资产定价风险因子选择和最优投资组合管理具有重要价值。使用深度学习方法,应用73个公司特征来预测股票收益,并根据收益预测结果构建投资组合,通过投资组合的表现来研究公司特征隐含的股票预期收益信息。结果显示:基于深度学习的投资组合能够获得显着的风险调整后的超额收益。长短期记忆神经网络构建的投资组合超额收益最大,前馈神经网络的次之,线性模型的最小。少数交易摩擦类、价值成长类和动量类的公司特征隐含了股票预期收益的绝大部分信息。公司特征与股票预期收益之间的非线性关系,公司特征之间的交互作用和公司特征的动态变化趋势隐含了不可忽略的股票预期收益信息。基于深度学习的深度因子模型无论是在模型的统计表现,异象解释上以及根据模型的投资组合的表现上都远远好于基准的三因子模型。首先,在定价误差表现上,加入深度因字的定价模型的定价误差在数量级上远小于三因子模型的定价误差,总体上看,基于三因子模型的定价误差几乎是深度因子模型的定价误差的102至103倍;其次,从异象解释上看,三因子模型能解释的双变量和单变量异象个数为29和33个,在加入深度因子时,模型的最多能解释得异象提升到71个和72个,解释了几乎所有的异象;最后,从基于模型的投资组合的年化夏普比率上看,相对于基准的三因子模型的夏普比率,深度因子投资组合的夏普比率的都有显着的提升,提升比例从130%至471%不等。考虑特征在时间上动态变化的影响的LSTM模型虽然在总体表现上比普通的神经网络模型有所提升,但结果并不明显,从而也说明深度因子定价模型已经能稳健的捕捉到市场的信息对股票收益率的影响模式。
马秀莉[10](2021)在《流动性风险应该被忽视吗? ——基于因子模型的比较研究》文中提出流动性风险及其定价问题一直是金融研究的重要议题。大量的证据表明流动性通过两个不同的渠道影响资产收益:即流动性的水平效应和流动性的风险效应。流动性的水平效应是指流动性差的股票一般比流动性好的股票获得更高的平均回报;流动性的风险效应则意味着相对于低风险敞口的股票而言,承担高市场流动性冲击的股票需要得到一个溢价,即强调了流动性风险在资产定价中的重要性。然而,最近的资产定价研究在很大程度上忽略了流动性风险。例如,流行的Fama-French五因子模型,以及Hou-Xue-Zhang四因子模型的构建均没有考虑流动性风险,其原因在于模型比较测试中以基于价格影响维度构建的因子作为流动性因子的代表,发现增加流动性因子对提高模型性能没有显着贡献。由于流动性具有多维度的特征,除了基于价格影响维度构建的流动性因子,现有文献中还提出了其他的流动性风险因子,并扩展了相应的因子模型。因此,本文旨在解决以下问题:如果考虑其他的流动性风险因子(或流动性因子模型),流动性风险在资产定价中的贡献是否仍可忽略不计?具体而言,本研究通过考察现有文献中基于不同的流动性代理变量构建的风险因子或因子模型是否具有不同的表现,以及与非流动性风险模型相比,基于流动性风险的模型是否能很好地解释股票的横截面收益评估流动性风险在资产定价中的重要角色。实证测试利用组合分析、考虑模型误设定的两阶段横截面回归分析、时间序列预测回归分析、基于模型夏普比的成对比较与多模型比较等最新的因子模型评价方法,通过考察因子模型的构建是否符合Merton提出的跨期资本资产定价理论(ICAPM),测试因子模型对异象投资组合的解释能力,比较流动性因子模型与非流动性因子模型的夏普比表现,以及评估流动性因子相对于竞争因子模型的额外解释力等问题,得到如下主要结论:(1)根据ICAPM理论,基于不同构建的流动性因子模型具有不同的表现。ICAPM理论要求提出的因子能够定价资产的横截面收益,同时,与因子相关的状态变量对未来投资机会的预测方向需与因子的风险溢价方向一致。对于本文考察的流动性因子模型,基于交易的不连续性构建的流动性因子符合ICAPM理论。例如,在模型误设定的假设下,基于交易的不连续性构建的流动性因子在不同的测试方法以及测试组合下均产生显着为正的风险溢价,且相关的状态变量正向预测了由宏观经济行为和股票市场指标代理的未来投资机会,揭示了流动性风险是一种影响资产价格的系统性因素。相比而言,基于不同价格影响维度构建的流动性因子在横截面测试中产生的风险溢价不显着,其相应的状态变量对未来投资机会也不具备稳健的预测能力,不符合ICAPM提出的一致性标准。(2)基于不同构建的流动性因子模型在捕获流动性风险以及解释其他异象投资组合时能力不同。通过考察模型对根据不同维度的流动性代理变量分组的投资组合以及其他异象组合的解释能力,与已有文献证据一致,基于价格影响维度构建的流动性因子在解释投资组合收益时其资产载荷几乎为零,对提高模型的解释力贡献有限。另一方面,基于交易的不连续性构建的流动性因子模型可以捕获不同分组产生的流动性溢价,很好的解释了流动性风险。同时,基于交易的不连续性构建的因子模型还对与动量、投资、利润、市场β、方差以及行业相关的异象投资组合表现出良好的解释力,尤其对于小规模投资组合表现更加突出。为此,实证文献通过基于价格影响维度构建的流动性因子模型的表现而忽略流动性风险在资产定价中的作用是一种过度概括。(3)根据模型的最大平方夏普比度量,基于交易的不连续性构建的流动性因子模型与流行的资产定价模型具有可比的表现。采用基于最大平方夏普比的模型评价方法避免了一般模型比较方法中对测试资产的依赖,对模型的评估可以得到一致的结论。根据此方法,基于交易的不连续性构建的流动性因子模型与流行的FamaFrench五因子模型以及Hou-Xue-Zhang四因子模型具有可比的表现,且其流动性因子在所有竞争因子中对提高模型夏普比具有最大的边际贡献,暗示了流动性风险是资产定价的重要来源。(4)流动性因子相对于基准因子模型具有额外的解释力。流动性风险对资产价格的影响与经济周期有关,在市场压力和动荡时期,流动性风险对资产价格的影响更加显着。与经济直觉一致,在控制了基准因子后,基于交易的不连续性构建的流动性因子在市场低迷和市场动荡时期产生显着的溢价。进一步,在各种市场状态以及不同的子时期中,基于交易的不连续性构建的流动性因子所包含的信息均不能被竞争模型解释。以上证据确认了流动性风险不同于现有的风险来源,不能被其他因子模型捕获。
二、金融资产定价理论的方法比较(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、金融资产定价理论的方法比较(论文提纲范文)
(1)中国股票市场投资者失望厌恶资产定价研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 选题背景 |
1.1.1 理论背景 |
1.1.2 现实背景 |
1.2 研究意义 |
1.2.1 理论意义 |
1.2.2 现实意义 |
1.3 研究内容与方法 |
1.3.1 研究内容 |
1.3.2 研究方法 |
1.4 研究创新 |
1.5 基本结构与技术路线 |
第2章 相关理论与研究现状 |
2.1 效用理论回顾 |
2.1.1 预期效用理论 |
2.1.2 非预期效用理论 |
2.2 失望厌恶理论发展 |
2.2.1 后悔理论 |
2.2.2 失望理论 |
2.2.3 失望厌恶理论 |
2.3 资产收益可预测性分析 |
2.3.1 市场层面指标 |
2.3.2 公司层面指标 |
2.3.3 技术层面指标 |
2.4 不对称风险偏好资产定价分析 |
2.4.1 下行风险资产定价概括 |
2.4.2 损失厌恶资产定价概括 |
2.4.3 失望厌恶资产定价概括 |
2.5 文献述评 |
第3章 失望厌恶资产定价理论模型研究 |
3.1 基准模型设定 |
3.2 失望厌恶随机折现因子求解 |
3.3 失望厌恶资产定价模型推导 |
3.3.1 基于消费市场的广义失望厌恶资产定价模型 |
3.3.2 基于股票市场的广义失望厌恶资产定价模型 |
3.4 失望厌恶资产定价模型比较 |
3.4.1 两类失望厌恶资产定价模型差异性 |
3.4.2 基于消费市场的失望厌恶资产定价模型优缺点 |
3.4.3 基于股票市场的失望厌恶资产定价模型优缺点 |
3.5 本章小结 |
第4章 失望厌恶与股票收益实证研究 |
4.1 研究设计 |
4.1.1 样本选择与数据来源 |
4.1.2 变量定义 |
4.1.3 估计方法 |
4.1.4 描述性统计 |
4.1.5 平稳性检验 |
4.2 投资者偏好参数估计与模型选择 |
4.2.1 投资者偏好参数估计 |
4.2.2 失望厌恶模型选择 |
4.3 失望厌恶与股票收益分析 |
4.3.1 基于消费市场的失望厌恶与股票收益 |
4.3.2 基于股票市场的失望厌恶与股票收益 |
4.3.3 两类失望厌恶资产定价模型效果比较 |
4.4 投资者失望事件分析 |
4.4.1 基于消费市场的投资者失望状态 |
4.4.2 基于股票市场的投资者失望状态 |
4.4.3 宏观经济环境与股票市场环境关联性 |
4.5 稳健性检验 |
4.5.1 排除弱定价因子问题 |
4.5.2 更换投资者失望阈值 |
4.6 本章小结 |
第5章 失望厌恶资产定价模型适用性研究 |
5.1 失望厌恶模型与其他模型比较 |
5.1.1 失望厌恶模型与经典模型比较 |
5.1.2 失望厌恶模型与不对称风险偏好模型比较 |
5.2 失望厌恶与金融市场异象分析 |
5.2.1 失望厌恶与市场误定价 |
5.2.2 失望厌恶与股票财务指标异象 |
5.2.3 失望厌恶与股票特征指标异象 |
5.3 考虑流动性因素的失望厌恶与股票收益分析 |
5.4 本章小结 |
第6章 不同市场环境的失望厌恶资产定价模型研究 |
6.1 不同市场信息效率下失望厌恶定价效应分析 |
6.1.1 市场信息效率度量 |
6.1.2 市场信息效率的非对称影响 |
6.1.3 稳健性检验 |
6.2 不同经济政策不确定性下失望厌恶定价效应分析 |
6.2.1 经济政策不确定性度量 |
6.2.2 经济政策不确定性的非对称影响 |
6.2.3 稳健性检验 |
6.3 不同市场行情下失望厌恶定价效应分析 |
6.3.1 市场行情度量 |
6.3.2 市场行情的非对称影响 |
6.3.3 稳健性检验 |
6.4 不同投资者情绪下失望厌恶定价效应分析 |
6.4.1 投资者情绪度量 |
6.4.2 投资者情绪的非对称影响 |
6.4.3 稳健性检验 |
6.5 本章小结 |
第7章 结论与展望 |
7.1 研究结论 |
7.2 研究建议 |
7.2.1 政府监管角度 |
7.2.2 投资者决策角度 |
7.3 研究展望 |
附录 |
参考文献 |
致谢 |
攻读博士学位期间发表的论文和其它科研情况 |
(2)中国大陆股市与国际主要股市的相依性、风险溢出与影响因素研究(论文提纲范文)
致谢 |
摘要 |
abstract |
1 绪论 |
1.1 研究背景与意义 |
1.2 问题提出与研究内容 |
1.2.1 问题提出 |
1.2.2 研究内容 |
1.3 研究框架与研究方法 |
1.3.1 研究框架 |
1.3.2 研究方法 |
1.4 概念界定 |
1.4.1 相依性 |
1.4.2 风险溢出 |
1.4.3 概念间的关联 |
1.5 研究的创新点 |
2 文献综述 |
2.1 股票市场相依性研究 |
2.1.1 发达国家股市间的相依性 |
2.1.2 发达国家股市与新兴经济体股市间的相依性 |
2.1.3 中国股市的相依性 |
2.1.4 中外股市间的相依性 |
2.1.5 股市的跨资产类别相依性 |
2.2 金融市场相依性的影响因素 |
2.2.1 经济政策不确定性 |
2.2.2 其他影响因素 |
2.3 金融市场风险溢出研究 |
2.3.1 不同国家(地区)同一金融市场 |
2.3.2 同一国家(地区)不同金融市场 |
2.4 文献述评 |
3 理论分析与研究设计 |
3.1 金融市场相依性与风险溢出的理论基础 |
3.1.1 资产定价理论 |
3.1.2 Copula理论 |
3.2 金融市场相依性与风险溢出的成因 |
3.3 金融市场相依性与风险溢出的影响机理 |
3.4 研究设计 |
3.4.1 中国大陆股市与国际主要股市的边缘分布模型 |
3.4.2 中国大陆股市与国际主要股市的静态与时变相依结构 |
3.4.3 中国大陆股市与国际主要股市相依性的影响因素 |
3.4.4 中国大陆股市与国际主要股市的高维相依结构、风险测度与溢出 |
3.5 本章小结 |
4 中国大陆股市与国际主要股市的边缘分布模型 |
4.1 边缘分布模型构建与择优标准 |
4.1.1 参数ARMA-GARCH族模型 |
4.1.2 参数ARMA-GARCH族-EVT模型 |
4.1.3 非参数ARMA-GARCH族-EVT模型 |
4.1.4 非参数核密度函数 |
4.1.5 模型择优标准 |
4.2 数据选取与基本分析 |
4.2.1 数据的选取及其说明 |
4.2.2 数据的基本统计分析和相关检验 |
4.3 边缘分布模型的估计与择优 |
4.3.1 基于参数ARMA-GARCH族模型的边缘分布估计 |
4.3.2 基于参数ARMA-GARCH族-EVT模型的边缘分布估计 |
4.3.3 基于非参数ARMA-GARCH族-EVT模型的边缘分布估计 |
4.3.4 基于非参数核密度函数的边缘分布估计 |
4.3.5 最优边缘分布模型 |
4.4 本章小结 |
5 中国大陆股市与国际主要股市的静态与时变相依结构 |
5.1 数据与方法 |
5.1.1 数据选取 |
5.1.2 实证方法 |
5.2 实证分析 |
5.2.1 中国大陆股市与国际主要股市的静态相依结构 |
5.2.2 中国大陆股市与国际主要股市的时变相依结构 |
5.2.3 基于时变Copula函数的结构变点诊断 |
5.3 本章小结 |
6 中国大陆股市与国际主要股市相依性的影响因素 |
6.1 中国大陆股市与国际主要股市相依性的影响因素及其机理分析 |
6.1.1 经济政策不确定性 |
6.1.2 共同冲击 |
6.1.3 宏观经济状况 |
6.1.4 股市特性 |
6.2 数据与变量选取 |
6.3 实证分析 |
6.3.1 面板单位根检验 |
6.3.2 面板数据模型的构建与估计 |
6.3.3 稳健性讨论 |
6.4 全球股市与数字货币市场的跨资产类别相依性与影响因素 |
6.4.1 数据与变量选取 |
6.4.2 全球股市与数字货币市场的跨资产类别相依性 |
6.4.3 经济政策不确定性对全球股市与数字货币市场相依性的影响 |
6.5 本章小结 |
7 中国大陆股市与国际主要股市的高维相依结构、风险测度与溢出 |
7.1 数据与方法 |
7.1.1 数据来源与统计描述 |
7.1.2 实证方法 |
7.2 实证分析 |
7.2.1 样本间的Kendall’s tau秩相关系数 |
7.2.2 中国大陆股市与国际主要股市的高维相依结构 |
7.2.3 中国大陆股市与国际主要股市的风险测度 |
7.2.4 中国大陆股市与国际主要股市的风险溢出 |
7.3 稳健性检验 |
7.4 本章小结 |
8 总论 |
8.1 研究结论 |
8.2 研究启示 |
8.3 不足与展望 |
参考文献 |
攻读学位期间取得的研究成果 |
(3)商业银行净值型理财产品收益率影响因素分析(论文提纲范文)
致谢 |
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 研究方法 |
1.3 研究框架 |
1.4 创新点与不足 |
2 文献综述与相关理论 |
2.1 文献综述 |
2.1.1 关于理财业务的研究 |
2.1.2 关于银行理财产品收益率影响因素的研究 |
2.1.3 关于其他资管产品收益率影响因素的研究 |
2.1.4 文献评述 |
2.2 相关理论 |
2.2.1 生命周期理论 |
2.2.2 资本资产定价理论 |
2.2.3 套利定价理论 |
3 我国商业银行理财产品发展现状 |
3.1 资管新规的出台 |
3.1.1 资管新规出台背景 |
3.1.2 资管新规及其配套文件的要求和影响 |
3.2 银行理财产品的分类 |
3.2.1 按收益率表现形式 |
3.2.2 按运作模式 |
3.2.3 按资金来源 |
3.2.4 按投资范围不同 |
3.3 银行理财产品投资结构 |
3.4 银行理财产品净值化现状 |
3.4.1 净值化进度 |
3.4.2 产品净值计算方式 |
3.4.3 净值型理财产品特征 |
4 我国商业银行净值型理财产品收益率的影响因素 |
4.1 微观因素 |
4.1.1 流动性 |
4.1.2 风险等级 |
4.1.3 发行主体异质性 |
4.2 宏观因素 |
4.2.1 金融资产价格 |
4.2.2 货币政策因素 |
4.2.3 通货膨胀水平 |
5 净值型理财产品收益率影响因素的实证分析 |
5.1 样本选取和数据来源 |
5.2 变量选取 |
5.3 描述性统计 |
5.4 实证检验 |
5.4.1 多重共线性检验 |
5.4.2 全样本回归分析 |
5.4.3 发行主体异质性回归分析 |
5.5 实证结论 |
6 研究结论与建议 |
6.1 研究结论 |
6.2 对商业银行的建议 |
6.3 对监管部门的建议 |
6.4 对投资者的建议 |
参考文献 |
(4)异质性左尾风险与横截面股票收益 ——基于中国A股市场的实证研究(论文提纲范文)
致谢 |
摘要 |
ABSTRACT |
1 绪论 |
1.1 研究背景 |
1.2 研究意义 |
1.2.1 理论意义 |
1.2.2 实践意义 |
1.3 研究内容、方法和框架 |
1.3.1 研究内容 |
1.3.2 研究方法 |
1.3.3 研究框架 |
1.4 研究创新和不足 |
1.4.1 研究创新 |
1.4.2 研究不足 |
2 文献综述 |
2.1 关于尾部风险的文献综述 |
2.1.1 关于尾部风险度量的文献综述 |
2.1.2 关于尾部风险与经济现象关系的文献综述 |
2.1.3 尾部风险研究总结 |
2.2 关于资产定价的文献综述 |
2.2.1 资产定价研究发展历程 |
2.2.2 常见资产定价影响因子 |
2.2.3 资产定价研究总结 |
3 数据和方法 |
3.1 研究数据 |
3.2 变量定义与计算 |
3.3 论文研究方法 |
4 实证结果分析 |
4.1 描述性统计 |
4.2 相关系数分析 |
4.3 单变量投资组合分析 |
4.4 双变量投资组合分析 |
4.5 Fama Macbeth回归分析 |
5 行为金融学视角下的左尾风险异象 |
5.1 左尾风险的持续性 |
5.2 左尾风险异象的行为金融学解释 |
5.3 机构投资者、分析师关注与左尾风险异象 |
6 稳健性检验 |
6.1 子样本检验 |
6.2 更换左尾风险指标 |
6.3 机构投资者、分析师关注与左尾风险异象关系的稳健性检验 |
7 结论和建议 |
参考文献 |
(5)媒体情绪对股票收益率的影响分析 ——基于自然语言处理和多因子模型的拓展研究(论文提纲范文)
致谢 |
摘要 |
abstract |
1 绪论 |
1.1 研究背景及意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 研究内容与框架 |
1.2.1 研究内容 |
1.2.2 研究框架 |
1.3 研究方法 |
1.4 研究创新 |
2 理论梳理与文献评述 |
2.1 资产定价理论 |
2.2 行为金融学的发展与应用 |
2.3 媒体报道与资产误定价 |
2.4 媒体情绪和投资者情绪 |
2.5 文献评述 |
3 媒体情绪对股票收益的影响分析 |
3.1 自然语言处理与文本情感分析 |
3.2 媒体情绪与股票收益因果分析 |
3.2.1 数据与模型设定 |
3.2.2 面板数据分析 |
3.2.3 回归结果 |
3.2.4 稳健性检验 |
4 媒体情绪影响资产价格的机理分析 |
4.1 研究假设 |
4.2 数据来源 |
4.3 变量设计 |
4.3.1 资产误定价的衡量 |
4.3.2 解释变量 |
4.3.3 控制变量 |
4.4 模型设计 |
4.5 实证检验 |
4.5.1 媒体情绪与资产误定价 |
4.5.2 媒体情绪、投资者情绪和资产误定价 |
4.5.3 中介效应检验 |
4.6 异质性检验 |
4.6.1 积极情绪与资产误定价 |
4.6.2 消极情绪与资产误定价 |
4.7 稳健性检验 |
5 加入媒体情绪的多因子模型 |
5.1 六因子模型 |
5.2 因变量的构造 |
5.3 因子适用性检验 |
5.4 回归分析 |
6 结论与启示 |
6.1 结论 |
6.2 启示与建议 |
6.3 不足与展望 |
参考文献 |
(6)跳环境和混合高斯过程下的欧式期权定价及统计模拟分析(论文提纲范文)
摘要 |
abstract |
1 引言 |
1.1 研究背景 |
1.2 研究现状 |
1.3 研究意义 |
1.4 研究内容及方法 |
1.5 创新之处 |
2 预备知识 |
2.1 相关引理 |
2.2 经典B-S期权定价模型 |
2.3 混合次分数布朗运动模型及其性质 |
3 在跳环境和混合高斯过程下的欧式期权定价 |
3.1 金融市场建模 |
3.2 在跳环境下的偏微分方程 |
3.3 在跳环境下的定价公式 |
4 带交易费用的欧式期权定价 |
4.1 带交易费用的金融市场建模 |
4.2 带交易费用的期权定价公式 |
5 混合高斯过程下欧式期权的风险管理 |
5.1 量化风险的希腊字母 |
5.2 模拟分析 |
6 实证研究 |
6.1 研究数据的选取 |
6.2 标的统计特征以及正态性检验 |
6.3 参数估计 |
6.4 模拟结果 |
7 研究总结与展望 |
7.1 研究总结 |
7.2 研究展望 |
参考文献 |
致谢 |
作者在硕士期间的科研成果 |
(7)多维视角下的不确定性与中国股票市场资产定价(论文提纲范文)
致谢 |
摘要 |
abstract |
1 绪论 |
1.1 研究背景与意义 |
1.2 问题的提出和研究内容 |
1.3 研究框架和研究方法 |
1.3.1 研究框架 |
1.3.2 研究方法 |
1.4 概念界定 |
1.5 本文的创新与贡献 |
2 文献综述 |
2.1 关于不确定性的理论研究 |
2.2 关于不确定性的度量方法 |
2.3 关于不确定性的实证研究 |
2.3.1 不确定性的宏观影响 |
2.3.2 不确定性的微观影响 |
2.4 不确定性与资产定价 |
2.5 文献评述 |
3 理论分析、研究假设与研究设计 |
3.1 理论分析 |
3.2 研究假设 |
3.3 研究设计 |
3.3.1 研究设计思路 |
3.3.2 核心变量的构建基础 |
3.3.3 模型设定 |
3.4 本章小结 |
4 宏观经济不确定性与A股市场收益率 |
4.1 引言 |
4.2 数据、变量与方法 |
4.2.1 数据及变量描述性统计 |
4.2.2 中国宏观经济不确定性的构建 |
4.2.3 计量模型设定 |
4.3 实证结果 |
4.3.1 样本内回归 |
4.3.2 样本外预测 |
4.3.3 基于宏观经济不确定性的资产配置应用 |
4.3.4 投资者情绪与宏观经济不确定性的定价能力 |
4.3.5 宏观经济不确定性与经济周期 |
4.4 稳健性检验 |
4.4.1 AMU与 CMU的样本外检验 |
4.4.2 CMU、经济周期与期望收益率 |
4.4.3 CMU、新增投资者人数与期望收益率 |
4.5 本章小结 |
5 微观不确定性与A股横截面收益率 |
5.1 引言 |
5.2 数据、变量与方法 |
5.2.1 样本说明 |
5.2.2 核心变量 |
5.2.3 控制变量 |
5.2.4 实证模型设定 |
5.3 实证结果 |
5.3.1 单变量组合分析 |
5.3.2 双变量组合分析 |
5.3.3 Fama-Mac Beth横截面回归分析 |
5.3.4 微观不确定性的投资组合表现 |
5.3.5 微观不确定性的定价机制检验 |
5.4 稳健性检验 |
5.5 本章小结 |
6 政策不确定性与A股横截面收益率 |
6.1 引言 |
6.2 数据变量与方法 |
6.2.1 样本说明 |
6.2.2 核心变量 |
6.2.3 控制变量 |
6.2.4 计量模型设定 |
6.3 实证结果 |
6.3.1 单变量组合分析 |
6.3.2 双变量组合分析 |
6.3.3 Fama-Mac Beth横截面回归分析 |
6.3.4 贸易政策不确定性的定价机制检验 |
6.4 稳健性检验 |
6.5 本章小结 |
7 结论与展望 |
7.1 研究结论 |
7.2 研究展望 |
参考文献 |
附录 |
攻读学位期间取得的研究成果 |
(8)系统性尾部贝塔与市场崩盘风险的对冲 ——基于崩盘风险的“安全第一准则”投资组合均衡模型(论文提纲范文)
摘要 |
Abstract |
第1章 导论 |
1.1 研究背景及意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 文献综述 |
1.2.1 资产定价模型相关文献 |
1.2.2 资产风险与收益相关文献 |
1.2.3 系统性尾部风险相关文献 |
1.2.4 小结 |
1.3 研究思路与框架 |
1.4 创新与不足 |
第2章 基础理论 |
2.1 安全第一准则 |
2.2 有效市场假说 |
2.3 行为金融理论 |
第3章 系统性尾部风险的估计 |
3.1 基于安全第一准则的均衡模型 |
3.2 市场崩盘的资产定价模型 |
3.3 β~(TR)的估计 |
第4章 数据与方法 |
4.1 数据样本 |
4.2 实证方法 |
第5章 实证分析 |
5.1 系统性尾部风险度量统计特征 |
5.2 市场崩盘时期的对冲策略 |
5.3 非市场崩盘时期β~?的检验 |
5.4 风险资产与市场组合在尾部间的关联性 |
5.5 本章小结 |
第6章 稳健性检验 |
6.1 不同系统性尾部风险估计方法比较 |
6.1.1 危机前时期的结果 |
6.1.2 危机后时期的结果 |
6.2 因子拓展模型检验 |
6.2.1 基于五因子的单因子拓展模型 |
6.2.2 基于五因子的多因子拓展模型 |
第7章 结论建议与展望 |
7.1 本文结论 |
7.2 政策建议与未来展望 |
参考文献 |
附录 |
致谢 |
(9)基于深度学习的资本资产定价研究(论文提纲范文)
摘要 |
Abstract |
1.绪论 |
1.1 选题背景和意义 |
1.1.1 选题背景 |
1.1.2 选题实践意义和学术意义 |
1.1.2.1 实践意义 |
1.1.2.2 学术意义 |
1.2 文献综述 |
1.2.1 传统资本资产定价研究 |
1.2.2 机器学习与资本资产定价研究 |
1.2.3 深度学习与资本资产定价研究 |
1.2.4 文献总体评述 |
1.3 论文思路与结构 |
1.4 文章的创新与不足 |
1.4.1 文章的创新 |
1.4.2 可能的不足 |
2.公司特征隐含股票预期收益信息 |
2.1 资产定价理论中的公司特征 |
2.2 研究模型设计 |
2.2.1 实证模型 |
2.2.2 前馈神经网络 |
2.2.3 模型超参数设置 |
2.2.4 模型性能评估 |
2.2.4.1 R~2 |
2.2.4.2 修正的Diebold-Mariano检验 |
2.2.5 投资组合表现 |
2.2.5.1 投资组合构建 |
2.2.5.2 投资组合表现衡量 |
2.2.6 公司特征重要性 |
2.3 数据和样本 |
2.3.1 数据 |
2.3.2 训练集、验证集和测试集 |
2.4 实证结果 |
2.4.1 模型性能表现结果 |
2.4.2 投资组合表现结果 |
2.4.2.1 组合收益率表现 |
2.4.2.2 夏普比率 |
2.4.2.3 风险调整后α |
2.4.3 公司特征隐含的信息量 |
2.5 小结 |
3.基于深度因子的资本资产定价 |
3.1 多因子定价模型 |
3.2 基于深度因子的多因子定价模型 |
3.2.1 模型构建 |
3.2.2 模型参数估计 |
3.2.3 模型表现衡量 |
3.2.4 深度因子的定价贡献 |
3.2.4.1 夏普比率提升 |
3.2.4.2 异象解释 |
3.2.5 深度特征与公司特征的关系 |
3.3 实证结果 |
3.3.1 训练集、验证集和测试集 |
3.3.2 模型表现 |
3.3.3 深度因子定价贡献 |
3.3.3.1 夏普比率提升 |
3.3.3.4 异象解释 |
3.3.4 深度特征的经济解释 |
3.4 小结 |
4.公司特征变化的影响 |
4.1 长短期记忆循环神经网络 |
4.2 公司特征变化隐含的股票预期收益 |
4.2.1 LSTM超参数设计 |
4.2.2 LSTM实证结果 |
4.2.2.1 样本外R方 |
4.2.2.2 Diebold-Mariano检验 |
4.2.2.3 LSTM十分组收益率 |
4.2.2.4 LSTM模型多空组合描述性统计 |
4.2.2.5 夏普比率 |
4.2.2.6 风险调整后的alpha |
4.2.2.7 LSTM模型的驱动特征分析 |
4.3 考虑公司特征变化的深度因子模型 |
4.3.1 模型表现 |
4.3.2 深度因子的定价贡献 |
4.3.3 深度特征的经济解释 |
4.4 小结 |
5.结论 |
参考文献 |
致谢 |
附录 |
A 公司特征的构建 |
B 组合收益率表现 |
C 夏普比率 |
D 风险调整后α |
E 公司特征隐含的信息量 |
(10)流动性风险应该被忽视吗? ——基于因子模型的比较研究(论文提纲范文)
中文摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景 |
1.2 研究意义 |
1.3 研究内容与论文结构 |
1.3.1 研究内容与方法 |
1.3.2 研究框架 |
1.4 主要创新点 |
第二章 文献回顾 |
2.1 流动性风险的相关研究 |
2.1.1 流动性的定义与测度 |
2.1.2 A-M理论 |
2.1.3 流动性风险溢价研究 |
2.1.4 流动性资产定价研究 |
2.1.5 基于流动性风险的定价模型 |
2.2 资产定价模型的相关研究 |
2.2.1 资本资产定价模型 |
2.2.2 套利定价理论 |
2.2.3 跨期资本资产定价模型 |
2.2.4 资产定价实证模型 |
2.3 文献评述与问题提出 |
第三章 基于ICAPM理论的模型评估 |
3.1 基础理论与实证方法 |
3.1.1 ICAPM理论的限制条件 |
3.1.2 基于模型误设定假设的两阶段回归方法 |
3.2 数据选取 |
3.2.1 测试资产与预测指标 |
3.2.2 资产定价模型 |
3.3 横截面实证测试 |
3.3.1 因子模型的确定性测试 |
3.3.2 基于因子风险溢价的实证测试 |
3.3.3 基于因子协方差风险的实证测试 |
3.3.4 稳健性测试 |
3.4 基于ICAPM理论的一致性检验 |
3.4.1 构建状态变量 |
3.4.2 基于经济变量预测的实证检验 |
3.4.3 基于股票市场预测的实证检验 |
3.5 本章小结 |
第四章 基于股票市场异象的模型评估 |
4.1 数据选取 |
4.1.1 测试投资组合 |
4.1.2 资产定价模型 |
4.1.3 测量指标 |
4.2 实证测试结果 |
4.2.1 基于流动性特征分组的实证测试 |
4.2.2 基于其他市场异象投资组合的实证测试 |
4.3 本章小结 |
第五章 模型评估的进一步测试 |
5.1 基于最大平方夏普比度量的模型评估 |
5.1.1 测试方法 |
5.1.2 模型比较结果 |
5.1.3 蒙特卡洛模拟结果 |
5.1.4 因子的边际贡献率 |
5.2 流动性风险的独特性 |
5.2.1 基于横截面测试的实证结果 |
5.2.2 基于跨越回归测试的实证结果 |
5.3 本章小结 |
第六章 结论与展望 |
6.1 研究结论 |
6.2 未来展望 |
参考文献 |
攻读学位期间取得的研究成果 |
致谢 |
个人简况与联系方式 |
四、金融资产定价理论的方法比较(论文参考文献)
- [1]中国股票市场投资者失望厌恶资产定价研究[D]. 武翰章. 山西财经大学, 2021
- [2]中国大陆股市与国际主要股市的相依性、风险溢出与影响因素研究[D]. 钱玲玲. 浙江大学, 2021(02)
- [3]商业银行净值型理财产品收益率影响因素分析[D]. 方雨宁. 浙江大学, 2021(09)
- [4]异质性左尾风险与横截面股票收益 ——基于中国A股市场的实证研究[D]. 于杰. 浙江大学, 2021(02)
- [5]媒体情绪对股票收益率的影响分析 ——基于自然语言处理和多因子模型的拓展研究[D]. 蔡启航. 浙江大学, 2021(09)
- [6]跳环境和混合高斯过程下的欧式期权定价及统计模拟分析[D]. 彭波. 兰州财经大学, 2021(02)
- [7]多维视角下的不确定性与中国股票市场资产定价[D]. 戴逸明. 浙江大学, 2021(01)
- [8]系统性尾部贝塔与市场崩盘风险的对冲 ——基于崩盘风险的“安全第一准则”投资组合均衡模型[D]. 朱佳磊. 江西财经大学, 2021(10)
- [9]基于深度学习的资本资产定价研究[D]. 江聪. 江西财经大学, 2021(10)
- [10]流动性风险应该被忽视吗? ——基于因子模型的比较研究[D]. 马秀莉. 山西大学, 2021(12)