论文部分内容阅读
本论文采用人工神经网络技术对中国股票市场的预期收益率进行实证分析。 近三十年来，国内外大量的学者针对资本定价模型有效性问题展开深入研究，其核心与实质是验证β风险系数对股票的平均收益是否具有完全解释能力。学者们主要采用的是由Fama和Macbeth(1973)提出的，用来研究股票市场因素模型的横截面回归分析法(F-M方法)。实证结论大多倾向于，β风险系数对股票的平均收益的解释能力已经走向死亡。而且最近20多年的研究发现，预期收益率并不能由β风险系数单独决定，其他基本变量也有解释作用。 作者在国内外学者的研究基础上，提出中国股票市场预期收益率五因子模型，其中除常见的β风险系数、σ~2总风险系数、规模和收益价格比等若干基础变量之外，增加了交易量作为新的自变量。文中分析涉及的所有五个基础变量，通过采集CSMAR数据库，运用VFP软件中的人工神经网络工具自编程序，对各基础变量与股市预期收益率的关系作为实证验证。同时本文还提出四因子模型与五因子模型进行对照分析。 论文中归纳了采用人工神经网络方法(ANN)与采用横截面回归分析法(F-M)对股票市场预期收益率实证分析的异同。采用ANN方法时，发现在上海与深圳两个股票市场预期收益率的解释变量中，交易量、β风险系数与σ~2总风险系数的解释能力一般。这个实证结论与别的学者采用F-M方法得到的实证结论大体相当。但是，与F-M方法相比，ANN方法在对股票市场的预期收益率实证分析过程中，至少体现出三点优势。第一、ANN能够反映模型的输入变量与输出变量之间的非线性单调的关系，而F-M法只能反映线性关系；第二、ANN能够直接给出模型中输入变量与输出变量之间的基本函数关系，而F-M方法只能通过回归得到模型自变量与因变量之间线性相关的统计量；第三、ANN得到模型的函数关系后，易于扩展。本论文就在训练好的人工神经网络基础上，通过扰动分析得到预期收益率相对变化量影响因子。