基于上证指数高频数据的中国资本市场微观特性研究

以上证指数高频数据为研究对象,基于上涨、平缓和下跌三个市场状态分析我国金融市场的微观特性.通过分析上证指数在不同时间间隔下的概率分布、自相关性和多分形三个特性,发现上证指数对数增量序列存在厚尾、列维非高斯分布特征,且随着时间间隔的增大,收益序列愈收敛于正态分布,其中,下降趋势收敛于正态分布的速度更快,拟合于列维分布的效果更好.最为突出的是,在自相关函数分析中,上证指数的收益率无长期记忆性,而波动率则具有较强的记忆性.同时,波动率的自相关性存在明显的周期性特征,即T=240 min,且在下降趋势时其相关性最高.在以时间增量刻画的多重分形结构中,对于不同的时间序列、时间间隔,由于受投资期限和流动性的影响,三种股市状态的收益率波动存在着短期和长期性的差异.上证指数的总体宏观行为与国际成熟股市较为一致,但在微观特性上仍存在显著差异,其所特有的周期性是投资者的惯性反冲所致,而自相关性函数较之成熟股市衰减较慢,则表明投资者的投资行为更多地受历史信息的影响.

基于支持向量机的银行系统重要性评估研究

系统重要性银行是构成全球业务链的连接点，对各国各项业务的顺利进行起到不可或缺的作用，所以当其发生危机时，会直接对全球范围内的金融机构造成负面影响．学术界对如何识别中国系统重要性银行进行了很多有益尝试，由于研究方法或样本不同，得出的结论存在一定差异．有效识别此类银行是当前的热点议题．文章从系统重要性银行的度量数据出发，首先以各银行的财务报表数据和股票价格数据为研究样本．其次，在SVM-Copula集成系统基础上，利用粒子群优化算法对SVM寻找最优参数组合，进而提出了优于GARCH模型和核密度估计法的PSO-SVM边缘分布估计法．最后将PSO-SVM-Copula集成系统运用到CoVaR领域中．研究结果表明：PSO-SVM．Copula-CoVaR（PSCC）模型在系统重要性银行的评估上比仅使用单方面的数据更加合理．