论文部分内容阅读
预测未来的股票收益率方向对投资者进行决策具有重要的指导意义,股票的运动趋势表现为上涨和下跌,可以看作是一个二值选择问题,通常用计量方法中的二值选择模型进行研究,大多数学者运用Logistic回归预测模型对股票收益率方向进行预测,然而该模型属于广义线性模型,具有一定的局限性。金融市场是一个复杂的动力系统,分布特征具有变动性,线性模型很难捕捉它的特征,Logistic回归预测方法很难取得较好的效果。而且现有的计量模型中又很少具有分类功能,因此,研究新的计量分类预测方法就具有重要意义。 参数模型在预测股票收益率时常常存在模型设定误差,而非参数模型相较于参数模型更能刻画股票收益率特征。Harvey & Oryshchenko(2012)对时间序列非参数核密度估计进行了研究,提出了时变的密度函数估计理论。本文将此时变密度函数估计理论应用到股票收益率方向的预测中,称为时变非参数密度函数模型—TVF模型。考虑到一些经济变量会对股票收益率产生影响,为了提高模型的预测精度,本文将影响变量加入到研究对象的权重函数中,在TVF模型的基础上构造了一个新的非参数预测模型—时变因子加权非参数密度函数模型—F-TVF模型。 本文以上海综指月度价格指数数据进行实证研究,并以TVF模型、F-TVF模型和Logistic模型对其建模,运用滚动时间窗口策略进行样本外预测,并基于统计评价方法和模拟交易策略的方法,对预测效果进行评价,最后也对模型做了稳定性检验。实证结果显示:本文构建的新的非参数F-TVF模型在三个预测模型中表现最好,而且在统计和经济意义上都具有显著地预测性;F-TVF模型和TVF模型的预测能力显著地优于Logistic模型,这反映出非参数模型在股票收益率预测中具有优势;此外,本文的研究在一定程度上证明了我国金融市场的可预测性。