论文部分内容阅读
股票市场作为资本市场的重要一环，是反映宏观经济的晴雨表，股市的运转应该遵循其本身的规律。然而，股票市场泡沫的周期性更迭演化，直至出现的市场崩溃，会对经济和社会的发展带来巨大的危害。当然，金融泡沫并非中国股市的特有现象。因此，本文针对中国股市常有的泡沫现象，利用数学工具对其进行建模研究，对于更深刻地理解金融资产泡沫，以及防范其崩盘带来的损失都具有重要意义。更重要的是，深入研究金融泡沫问题，对于市场投资者的风险管理和投资决策与政府监管部门的政策提出都有积极的引导作用。
因此，本文主要进行我国沪深股市泡沫的识别、理论预测如果股市存在泡沫何时会发生崩盘、以及探究我国股市产生泡沫的成因等方面的研究工作。本文共包含五个章节，第一章为绪论，主要交待了本文的研究背景和问题的提出，指出本文的文献贡献与不足之处，对文章的总体结构作了布局；第二章为文献综述，从涉及到金融资产泡沫的多个维度对相关文献进行了梳理和总结，归纳出泡沫的经济含义和比较选取用于本文泡沫识别的实证模型；第三章为理论模型，介绍了用于本文实证部分的模型理论推导和建模过程；第四章为实证分析，进行我国股市泡沫的实证检验并结合市场信息对实证结果作出分析与经济解释；第五章为结论与政策建议，结合实证结果针对我国沪深股市出现泡沫的成因给出政策建议。
本文理论部分介绍了学术理论界研究泡沫识别比较成熟的动态自回归AR（1）模型和近年来比较热门的对数周期幂律（LPPL）模型，实证部分首先利用两个模型对2015年股灾前（2014年1月2日至2015年6月10日）的数据进行事后预测，在此基础上对比分析两个模型在泡沫识别方面的功效和优劣，实证结果表明动态自回归AR（1）模型虽然可以识别出2015年股灾前的泡沫过程，但该模型相比LPPL模型而言，结果不够稳健，且LPPL模型在识别出泡沫的情况下可以给出理论崩盘点或者趋势拐点预测值，理论上可以给广大投资者作出预警信号。因此，本文更多的是将动态自回归AR（1） 模型作为LPPL泡沫识别模型的对照组，旨在说明LPPL模型在进行泡沫识别方面的优势与继续研究价值。
其次，本文针对截稿前（主要为2017年度）的沪深股市出现的“小慢牛”行情，再次利用LPPL模型对其进行建模分析以验证这样的牛市是否为新一轮泡沫的蓄积期，实证结果表明截至当前的沪深股市并不存在泡沫。另外，在其基础上，本文对沪深股市细分行业板块，利用 LPPL 模型对各个行业板块进行泡沫识别检测，实证结果表明，上证工业指数和深证金融指数处于上升趋势，且速度加快，可能会出现趋势性拐点；上证材料、可选、消费、医药、金融、电信，深证材料、可选、消费、医药、信息、电信也处于上升通道，但并无此风险；上证能源、信息处于横盘调整状态；上证公用，深证工业、能源、公用处于下行周期。结合当前市场信息，本文分析沪深股市大盘指数并未出现泡沫而其个别行业板块出现了泡沫，这可能是出现泡沫的板块更多是多个主题概念被多家机构投资者炒作且市场中充斥的太多非理性投资者发生羊群效应的综合结果。
最后，本文从个人、市场制度、国家政策等三个层面对中国沪深股市出现泡沫的成因进行了分析，并针对性地提出了降低股市泡沫风险的政策建议，以及对文章还可以进行挖掘的地方进行了研究展望。
本文的创新点主要在于几个方面：
（1）在选题上，本文选题具有时代性和现实意义。金融资产泡沫的研究一直是前沿且充满争议的话题，目前学界商界都还没有统一的研究范式，本文针对此热点话题给出定性定量的分析，能够较好地阐释沪深股市泡沫的相关问题，对未来的投资决策有着一定的指导作用。
（2）在应用对象上，本文主要的研究对象为沪深股市，并且对当前股市数据进行泡沫分析时，还进一步细分各个行业板块，以更全面、更详尽的刨析当前股市行情。另外，本文的思路方法对可能涉及到泡沫的其他资产比如房地产泡沫的研究具有借鉴意义。
（3）在方法上，本文开创性地将理论中应用比较成熟的关于泡沫识别分析的动态自回归模型、对数周期幂律模型结合起来分析沪深股市泡沫现象，并对两个模型进行对比，以体现本文所要重点阐述的LPPL模型的优势，最终将本文模型方法的落脚点定位于金融物理学领域的LPPL模型。另外，在应用LPPL模型时，由于考虑到启发式搜索算法存在的误差不可避免，从而本文采取变换时间窗口的方法，尝试首次提出股市中常见的——“胜率”这个概念来识别泡沫①，定义胜率=出现泡沫的拟合次数/总拟合次数×100%，通过梳理文献，本文认为只要该数值达到60%以上，说明股市存在泡沫。
不可避免地，本文也不尽完美，缺陷在于没有提出定量的泡沫指标，因此对泡沫的刻画还不够详尽，且目前对数周期幂律模型的研究多用于学术理论中，在实践中，目前国内只有为数不多的几个研究机构试图将该模型对金融市场数据进行量化研究，然而他们所采取的方法以及对各个参数的解读并不一致，所以该模型在实际应用中还不够成熟，且没有一个统一的模式，还需要进一步完善与改进，本文的研究也只是浅层次的数据拟合，模型的完善以及泡沫指标的构造等更多应用，有待后续更进一步地研究。
因此，本文主要进行我国沪深股市泡沫的识别、理论预测如果股市存在泡沫何时会发生崩盘、以及探究我国股市产生泡沫的成因等方面的研究工作。本文共包含五个章节，第一章为绪论，主要交待了本文的研究背景和问题的提出，指出本文的文献贡献与不足之处，对文章的总体结构作了布局；第二章为文献综述，从涉及到金融资产泡沫的多个维度对相关文献进行了梳理和总结，归纳出泡沫的经济含义和比较选取用于本文泡沫识别的实证模型；第三章为理论模型，介绍了用于本文实证部分的模型理论推导和建模过程；第四章为实证分析，进行我国股市泡沫的实证检验并结合市场信息对实证结果作出分析与经济解释；第五章为结论与政策建议，结合实证结果针对我国沪深股市出现泡沫的成因给出政策建议。
本文理论部分介绍了学术理论界研究泡沫识别比较成熟的动态自回归AR（1）模型和近年来比较热门的对数周期幂律（LPPL）模型，实证部分首先利用两个模型对2015年股灾前（2014年1月2日至2015年6月10日）的数据进行事后预测，在此基础上对比分析两个模型在泡沫识别方面的功效和优劣，实证结果表明动态自回归AR（1）模型虽然可以识别出2015年股灾前的泡沫过程，但该模型相比LPPL模型而言，结果不够稳健，且LPPL模型在识别出泡沫的情况下可以给出理论崩盘点或者趋势拐点预测值，理论上可以给广大投资者作出预警信号。因此，本文更多的是将动态自回归AR（1） 模型作为LPPL泡沫识别模型的对照组，旨在说明LPPL模型在进行泡沫识别方面的优势与继续研究价值。
其次，本文针对截稿前（主要为2017年度）的沪深股市出现的“小慢牛”行情，再次利用LPPL模型对其进行建模分析以验证这样的牛市是否为新一轮泡沫的蓄积期，实证结果表明截至当前的沪深股市并不存在泡沫。另外，在其基础上，本文对沪深股市细分行业板块，利用 LPPL 模型对各个行业板块进行泡沫识别检测，实证结果表明，上证工业指数和深证金融指数处于上升趋势，且速度加快，可能会出现趋势性拐点；上证材料、可选、消费、医药、金融、电信，深证材料、可选、消费、医药、信息、电信也处于上升通道，但并无此风险；上证能源、信息处于横盘调整状态；上证公用，深证工业、能源、公用处于下行周期。结合当前市场信息，本文分析沪深股市大盘指数并未出现泡沫而其个别行业板块出现了泡沫，这可能是出现泡沫的板块更多是多个主题概念被多家机构投资者炒作且市场中充斥的太多非理性投资者发生羊群效应的综合结果。
最后，本文从个人、市场制度、国家政策等三个层面对中国沪深股市出现泡沫的成因进行了分析，并针对性地提出了降低股市泡沫风险的政策建议，以及对文章还可以进行挖掘的地方进行了研究展望。
本文的创新点主要在于几个方面：
（1）在选题上，本文选题具有时代性和现实意义。金融资产泡沫的研究一直是前沿且充满争议的话题，目前学界商界都还没有统一的研究范式，本文针对此热点话题给出定性定量的分析，能够较好地阐释沪深股市泡沫的相关问题，对未来的投资决策有着一定的指导作用。
（2）在应用对象上，本文主要的研究对象为沪深股市，并且对当前股市数据进行泡沫分析时，还进一步细分各个行业板块，以更全面、更详尽的刨析当前股市行情。另外，本文的思路方法对可能涉及到泡沫的其他资产比如房地产泡沫的研究具有借鉴意义。
（3）在方法上，本文开创性地将理论中应用比较成熟的关于泡沫识别分析的动态自回归模型、对数周期幂律模型结合起来分析沪深股市泡沫现象，并对两个模型进行对比，以体现本文所要重点阐述的LPPL模型的优势，最终将本文模型方法的落脚点定位于金融物理学领域的LPPL模型。另外，在应用LPPL模型时，由于考虑到启发式搜索算法存在的误差不可避免，从而本文采取变换时间窗口的方法，尝试首次提出股市中常见的——“胜率”这个概念来识别泡沫①，定义胜率=出现泡沫的拟合次数/总拟合次数×100%，通过梳理文献，本文认为只要该数值达到60%以上，说明股市存在泡沫。
不可避免地，本文也不尽完美，缺陷在于没有提出定量的泡沫指标，因此对泡沫的刻画还不够详尽，且目前对数周期幂律模型的研究多用于学术理论中，在实践中，目前国内只有为数不多的几个研究机构试图将该模型对金融市场数据进行量化研究，然而他们所采取的方法以及对各个参数的解读并不一致，所以该模型在实际应用中还不够成熟，且没有一个统一的模式，还需要进一步完善与改进，本文的研究也只是浅层次的数据拟合，模型的完善以及泡沫指标的构造等更多应用，有待后续更进一步地研究。