论文部分内容阅读
中国政法大学
本文研究了2004年10月8日后，中国A股市场上2907支股票的罗盘玫瑰现象。通过金融数据的挖掘与分析，得到低频交易数据和高频交易数据下罗盘玫瑰的统计特性及其差异。研究发现，低频交易数据下很少部分股票存在明显的罗盘玫瑰现象；但在高频交易数据下，幾乎所有的股票都存在着明显的罗盘玫瑰现象。
罗盘玫瑰 高频数据
回报率相图 统计特性
罗盘玫瑰是指在股票的二维历史回报率相图中，所有的数据点呈现出一种规律性分布的现象。根据本文研究结果，中国A股市场中只有少数股票显示出明显的罗盘玫瑰现象，并且罗盘玫瑰现象的存在性与明显程度还和股票的交易频率有十分巨大的关系。
研究方法
（1）罗盘玫瑰现象的检验
第一种方法是绘制回报率相图，观察回报率相图判断是否在某些角度的射线上存在数据点的集中分布，以及这些射线的分布是否均匀，以检验罗盘玫瑰现象。
图1是在纽约证券交易所上市的股票weyerhauser的日回报率相图，图中横轴表示weyerhauser的价格在当日的回报率，纵轴表示weyerhauser的价格在次日的回报率。集中分布的数据点，量大且清晰的射线，分布均匀，具有明显的罗盘玫瑰现象。
为研究方便，采取随机抽样方法，从总体中随机抽取部分样本进行研究。首先，改变样本总量，方便分组抽样研究：从2907支股票中随机抽取7支股票去除，只以剩下的2900支股票作为新的总体样本；其次，采用系统抽样的方法，将2900支股票从1～2900相继编号，分成100组，计算抽样距离K=2900/100=29，即每组29支股票，将每组的第5支股票取出，共计100支新股票作为最终的研究检验对象。经检测发现，抽取的100支股票中，有15支股票具有明显的罗盘玫瑰现象。
（2）样本股票统计特性的检测
第二种方法是用来检测样本股票时间序列的自相关性，通过对低频和高频时间序列的自相关性分析，得出具有罗盘玫瑰现象的股票的时间序列的自相关性的差异，在这个过程中涉及到Eviews软件的使用等。
运用Eviews软件建立辅助回归模型，选项为Object/Generate Series，预估残差的滞后结构，得到一个辅助残差序列，將其命名为a。将这个残差序列建立ar（1）模型，选项为Quick/Equation Estimation，通过Eviews软件计算得出LM统计量及自相关性的显著程度。
低频交易数据和检验结果—日回报率下A股股票时间序列的自相关性分析
（1）研究数据
关于A股股票的统计特性的研究中，选用的样本包括：1.从检验得到的15支有明显罗盘玫瑰现象的A股股票中，随机抽取10支股票；2.从85支没有明显罗盘玫瑰现象的A股股票中，随机抽取10支有较长时间历史跨度和较大交易量A股股票。
（2）实验结果
运用Eviews软件，计算时间序列自相关性得到结果如表1所示，可以看出有罗盘玫瑰的股票数据自相关性更显著。
高频交易数据和检验结果—高频回报率A股股票时间序列的自相关性分析
（1）研究数据
关于A股股票的统计特性——时间序列的自相关性的研究中，选用的样本包括：在前面采用系统抽样的方法，随机抽取的100支A股股票，不再区分有无罗盘玫瑰现象，研究其在2015年全年每五分钟的交易数据。
（2）实验结果
运用Eviews软件，计算时间序列自相关性得到结果如表2所示，可以看出高频数据自相关性都很显著，与表1对比可以得出，高频数据自相关性比低频数据更显著。
研究结果的分析
经过前面的检验与分析，得出以下两点结论：
结论1：交易频率对罗盘玫瑰现象有十分巨大的影响作用，交易频率越高，罗盘玫瑰就越明显；随着交易频率提高，原本在低频下不存在罗盘玫瑰现象的股票，也能够表现出一定的罗盘玫瑰现象。
结论2：有罗盘玫瑰的股票相比于没有的股票，其时间序列的自相关性更加明显；高频时间序列比低频时间序列的自相关性明显。
在中国A股市场，确实有一少部分股票存在罗盘玫瑰现象，但大多数股票并不存在罗盘玫瑰现象，而随着交易频率提高，其罗盘玫瑰现象就愈加明显。
作者简介：刘海阅（1993—），女，汉族，黑龙江牡丹江市人，硕士研究生，产业经济学硕士，单位：中国政法大学商学院，研究方向：产业经济学。
[1] Lee C I，Gleason K C，Mathur I，1999，“A comprehensive examination of the compass rose pattern in futures markets” [J]，Journal of Futures Markets，Vol. 19，No 5.
[2] Lee C，Mathur I，and Gleason K，2005，“The tick/volatility ratio as a determinant of the compass rose pattern”[J]，The European Journal of Finance，Vol.11.
[3] G Tian，YX Wang，Z Huo，2015， “The Compass Rose and Statistical Properties：The Evidence from the Chinese A-Share Market”[J]，Social Science Electronic Publishing，2015.
[4] 大富翁金融数据中心：http：//www. licai668.cn/[DB/OL].
本文研究了2004年10月8日后，中国A股市场上2907支股票的罗盘玫瑰现象。通过金融数据的挖掘与分析，得到低频交易数据和高频交易数据下罗盘玫瑰的统计特性及其差异。研究发现，低频交易数据下很少部分股票存在明显的罗盘玫瑰现象；但在高频交易数据下，幾乎所有的股票都存在着明显的罗盘玫瑰现象。
罗盘玫瑰 高频数据
回报率相图 统计特性
罗盘玫瑰是指在股票的二维历史回报率相图中，所有的数据点呈现出一种规律性分布的现象。根据本文研究结果，中国A股市场中只有少数股票显示出明显的罗盘玫瑰现象，并且罗盘玫瑰现象的存在性与明显程度还和股票的交易频率有十分巨大的关系。
研究方法
（1）罗盘玫瑰现象的检验
第一种方法是绘制回报率相图，观察回报率相图判断是否在某些角度的射线上存在数据点的集中分布，以及这些射线的分布是否均匀，以检验罗盘玫瑰现象。
图1是在纽约证券交易所上市的股票weyerhauser的日回报率相图，图中横轴表示weyerhauser的价格在当日的回报率，纵轴表示weyerhauser的价格在次日的回报率。集中分布的数据点，量大且清晰的射线，分布均匀，具有明显的罗盘玫瑰现象。
为研究方便，采取随机抽样方法，从总体中随机抽取部分样本进行研究。首先，改变样本总量，方便分组抽样研究：从2907支股票中随机抽取7支股票去除，只以剩下的2900支股票作为新的总体样本；其次，采用系统抽样的方法，将2900支股票从1～2900相继编号，分成100组，计算抽样距离K=2900/100=29，即每组29支股票，将每组的第5支股票取出，共计100支新股票作为最终的研究检验对象。经检测发现，抽取的100支股票中，有15支股票具有明显的罗盘玫瑰现象。
（2）样本股票统计特性的检测
第二种方法是用来检测样本股票时间序列的自相关性，通过对低频和高频时间序列的自相关性分析，得出具有罗盘玫瑰现象的股票的时间序列的自相关性的差异，在这个过程中涉及到Eviews软件的使用等。
运用Eviews软件建立辅助回归模型，选项为Object/Generate Series，预估残差的滞后结构，得到一个辅助残差序列，將其命名为a。将这个残差序列建立ar（1）模型，选项为Quick/Equation Estimation，通过Eviews软件计算得出LM统计量及自相关性的显著程度。
低频交易数据和检验结果—日回报率下A股股票时间序列的自相关性分析
（1）研究数据
关于A股股票的统计特性的研究中，选用的样本包括：1.从检验得到的15支有明显罗盘玫瑰现象的A股股票中，随机抽取10支股票；2.从85支没有明显罗盘玫瑰现象的A股股票中，随机抽取10支有较长时间历史跨度和较大交易量A股股票。
（2）实验结果
运用Eviews软件，计算时间序列自相关性得到结果如表1所示，可以看出有罗盘玫瑰的股票数据自相关性更显著。
高频交易数据和检验结果—高频回报率A股股票时间序列的自相关性分析
（1）研究数据
关于A股股票的统计特性——时间序列的自相关性的研究中，选用的样本包括：在前面采用系统抽样的方法，随机抽取的100支A股股票，不再区分有无罗盘玫瑰现象，研究其在2015年全年每五分钟的交易数据。
（2）实验结果
运用Eviews软件，计算时间序列自相关性得到结果如表2所示，可以看出高频数据自相关性都很显著，与表1对比可以得出，高频数据自相关性比低频数据更显著。
研究结果的分析
经过前面的检验与分析，得出以下两点结论：
结论1：交易频率对罗盘玫瑰现象有十分巨大的影响作用，交易频率越高，罗盘玫瑰就越明显；随着交易频率提高，原本在低频下不存在罗盘玫瑰现象的股票，也能够表现出一定的罗盘玫瑰现象。
结论2：有罗盘玫瑰的股票相比于没有的股票，其时间序列的自相关性更加明显；高频时间序列比低频时间序列的自相关性明显。
在中国A股市场，确实有一少部分股票存在罗盘玫瑰现象，但大多数股票并不存在罗盘玫瑰现象，而随着交易频率提高，其罗盘玫瑰现象就愈加明显。
作者简介：刘海阅（1993—），女，汉族，黑龙江牡丹江市人，硕士研究生，产业经济学硕士，单位：中国政法大学商学院，研究方向：产业经济学。
[1] Lee C I，Gleason K C，Mathur I，1999，“A comprehensive examination of the compass rose pattern in futures markets” [J]，Journal of Futures Markets，Vol. 19，No 5.
[2] Lee C，Mathur I，and Gleason K，2005，“The tick/volatility ratio as a determinant of the compass rose pattern”[J]，The European Journal of Finance，Vol.11.
[3] G Tian，YX Wang，Z Huo，2015， “The Compass Rose and Statistical Properties：The Evidence from the Chinese A-Share Market”[J]，Social Science Electronic Publishing，2015.
[4] 大富翁金融数据中心：http：//www. licai668.cn/[DB/OL].