在金融数量与金融时间序列分析中,我们经常遇到大量的非负值金融时间序列。金融市场上越来越多的研究依赖于对非负值金融时间序列变量的动态分析,流动性是金融市场最为核心的问题之一。它是金融市场的生命力所在,是现代金融市场能否健康发展的关键。如果金融市场缺乏流动性,将使金融资产的价值被低估,交易难以完成,在某些情况下甚至可能出现无法完成交易的极端现象,此时,金融市场就失去了其存在的价值。股票市场作为金融市场的主要形式,一直都是会计、财务、经济、金融等领域学术研究的重点。因此,研究股票市场的流动性就具有重要的理论意义与应用价值。在对非负值时间序列变量的研究方面, Engle(2002)提出了一种适合于非负值金融时间序列的新模型——乘积误差模型(multiplicative error model,简称MEM)。该模型的设定使得非负性自动得到保证。随后,出现了一系列针对MEM的理论和应用研究。但这些研究较多的集中于国外研究方面,国内对MEM的研究还相对缺乏。而且国内外都较多的集中在对参数MEM模型的研究方面,在非参数和半参数领域鲜有涉及。本文通过对国内外研究股票市场流动性的文献综述进行梳理后,发现国内外学者对股票市场流动性的研究,较多集中于对流动性外在影响因素的分析,而较少从流动性自身的角度考虑其对自身未来值的影响,忽略了流动性的自我解释能力。在度量流动性的指标中,以对买卖价差和市场深度的研究最多。中国股票市场是以订单驱动为交易机制的新兴市场,我们无法获得真实的买卖价差数据,从而本文采用市场深度来对股票流动性进行研究。市场深度属于非负值时间序列变量,本文将利用MEM以市场深度作为流动性的度量指标对中国联通股票的流动性进行动态分析,为避免非参数模型存在的“维数灾难”问题,本文将在参数MEM模型的基础上,结合部分线性模型的思想,提出部分线性MEM模型并给出相应的估计算法及对该估计算法一致性的证明。然后分别从模拟和实证的角度,对参数MEM(1,1)模型和部分线性MEM(1,1)模型进行模拟研究和实证分析,研究哪个模型能够更好地刻画金融市场的流动性特征。这一方面,扩展了MEM的模型形式,使其由参数领域扩展到了半参数领域,丰富了MEM的研究体系,为处理非负值金融时间序列提供了一个新的研究工具,丰富了金融市场计量经济学、时间序列分析和非参数计量经济学等学科的研究方法和研究内容；另一方面,由于首次将部分线性MEM模型的估计方法运用到对个股流动性的具体实证研究中,这就为以后学者对金融市场流动性的研究提供了新的模型和方法,结合当前中国股票市场的情况考虑,实证研究结果对于投资者了解股票流动性状况以及完善中国股票市场的流动性监管措施,有效地提高市场的流动性安全提供了科学的决策依据,具有重要的实际应用价值。总之,关注MEM的研究,不论是在理论领域还是在应用领域都有十分重要的意义。本文的主要研究内容及结论如下：第一,本文结合参数MEM模型和部分线性模型的思想,提出了部分线性MEM模型及其估计算法,并且对部分线性MEM模型形式①的两阶段估计算法的一致收敛性进行了证明,这将MEM由参数领域向半参数领域进行了扩展,为刻画金融市场上的非负值时间序列提供了又一种有力的研究工具,同时这也是本文在模型和估计方法上的理论创新。第二,为了能够更好地模拟金融市场中的非负值时间序列变量及其所存在的杠杆效应并加强论证的有效性和科学性,本文首先通过三种不同的数据生成过程和两种不同的残差分布生成了长度为T=500的非负值时间序列变量数据及其真实的条件均值数据；然后将上述三种数据生成过程循环计算500次(m=500)得到500组不同的模拟样本数据；最后通过五种不同的拟合能力评价指标对参数MEM(1,1)模型和部分线性MEM(1,1)模型的估计效果进行了评价,发现无论是通过哪种数据生成过程和残差分布得到的非负值时间序列变量数据,经过m=500次循环计算后,所得到的部分线性MEM(1,1)模型的拟合能力均优于参数MEM(1,1)模型；参数MEM(1,1)模型较适宜于刻画残差服从指数分布的情况,而部分线性MEM(1,1)模型较适宜于刻画残差服从伽玛分布的情况；残差服从伽玛分布时,部分线性MEM(1,1)模型的评价指标的值相比参数MEM(1,1)模型,其减少程度均普遍大于残差服从指数分布时(个别指标除外)。从而,通过蒙特卡洛方法从模拟的角度证明了部分线性MEM(1,1)模型的有效性及其优异表现,尤其是其在残差服从复杂分布时的优异表现。第三,本文基于中国联通市场深度的真实样本数据对参数MEM(1,1)模型和部分线性MEM(1,1)模型进行了具体的实证分析。首先,本文将选取中国联通市场深度序列作为研究对象,把整个样本划分为模型估计样本和预测评价样本两部分；然后对该样本进行描述性统计分析和模型估计；最后通过五种不同的预测能力评价指标对参数MEM(1,1)模型和部分线性MEM(1,1)模型的样本内预测能力和样本外预测能力进行了比较。实证研究表明：中国联通市场深度序列不存在过度分散性,却具有明显的持续自相关性并带有正偏、尖峰厚尾和拖尾的特征；参数MEM(1,1)模型并没有完全提取出中国联通市场深度序列的模型估计样本中的相关特征,不能很好地预测中国联通市场深度序列的模型估计样本,而部分线性MEM(1,1)模型可以提取出比参数MEM(1,1)模型更多的中国联通市场深度序列模型估计样本中的相关特征,更加适合于预测中国联通市场深度序列的模型估计样本；从评价指标的角度来看,无论是参数MEM(1,1)模型还是部分线性MEM(1,1)模型的两种模型形式,其样本外预测能力均要好于样本内预测能力；从模型比较的角度来看,相对于参数MEM(1,1)模型而言,无论哪种形式的部分线性MEM(1,1)模型都更能够刻画中国联通市场深度序列的相关特征,也更适合于刻画中国联通股票在连续交易阶段的流动性状况,并且部分线性MEM(1,1)模型形式①的表现要更胜一筹,具有对中国联通的流动性更好地预测能力。这也表明了中国联通股票的流动性受其以前流动性的影响主要是线性的,受其以前平均流动性的影响主要是非线性的。该部分从实证分析的角度证明了部分线性MEM(1,1)模型的预测能力优于参数MEM(1,1)模型,与模拟结果相互印证,使得结果更具有说服力。与其它文章相比,本文的创新之处主要有以下两点：第一,本文首次提出了部分线性MEM模型的两种模型形式,使用了一个可以用来自动选择应该采用哪种模型形式的检验统计量,分别给出了针对两种模型形式的具有一致收敛性的估计算法,并且对模型形式①的迭代算法在比较弱的条件下的一致收敛性进行了理论证明。通过对国内外有关MEM的相关文献的梳理,发现目前国内外学者对MEM的理论和应用研究主要集中在参数MEM模型方面,而在部分线性MEM模型方面还未有涉及。从而,本文结合参数MEM模型和部分线性模型的思想提出的部分线性MEM模型及其具有一致收敛性的估计算法,就相应的弥补了该方面研究的空白,丰富了对部分线性MEM模型的理论研究。本文分别基于蒙特卡洛模拟数据和中国股票市场的真实样本数据,对参数MEM(1,1)模型和部分线性MEM(1,1)模型的拟合能力和预测能力进行了比较。结果发现,两种模型形式的部分线性MEM(1,1)模型均比参数MEM(1,1)模型具有更好的拟合能力和预测能力。第二,本文首次将参数MEM(1,1)模型和部分线性MEM(1,1)模型应用到对中国联通股票市场深度的研究中。实证研究表明,相对于参数MEM(1,1)模型而言,无论哪种形式的部分线性MEM(1,1)模型都更能够刻画中国联通市场深度序列的相关特征,也更适合于刻画中国联通股票在连续交易阶段的流动性状况,并且部分线性MEM(1,1)模型形式①的表现要更胜一筹,与模拟结果相互印证,使得结果更具有说服力。本文由2011年度国家自然科学基金青年科学基金项目《新兴订单驱动市场非负值金融时间序列的乘积误差建模及应用研究》(71101118)资助完成。