引言本文来自辣.文~论^文·网原文请找腾讯3249,114
“日历效应”是金融市场微观结构理论研究中重要的发现. 早在1985 年, M c In ish 和Wood 利用分钟数据发现日内的波动率都是开盘与收盘时高, 中间低, 即通常所说的波动率的日内“U ”型模式[1 ]; A dmat i 与Pf leiderer, B rock 与Kleidon 各自给出了日内“U ”型模式的理论解释[2—3 ] , Hedvall 对他们的解释进行了比较[4 ]; 另外, A ndersen 和Bo llerslev 研究了“日历效应”与波动持续性之间的关系[5 ]; A ndersen 和Bo llerslev 系统地分析了“日历效应”,并解释了它产生的原因, 并研究了德国马克对美元的汇率数据的“日历效应”[6 ].但是, 金融市场微观结构理论还只是从定量的角度研究“日历效应”, 为了对金融市场有更深刻地理解, 需要从定量的角度去研究“日历效应”. 由于“日历效应”本质上是一种非线性关系, 所以本文提出用小波神经网络(W avelet N eu ral N etwo rk, 简称WNN ) 来定量刻画高频数据“日历效应”. Pat i 和Krishnap rasad 最早提出了离散仿射小波网络模型[7 ]. Szu 提出连续小波变换的两种自适应小波神经网络模型[8 ]: 一种用于信号表示, 偏重于函数逼近; 另一种偏重于选取合适的小波作特征提取. Bask sh i 和Stephanopo lou s 采用正交小波函数作为神经元的激活函数, 提出了正交多分辨小波神经网络[9 ]. Zhang Jun 选用正交且具有紧支特性的尺度函数对函数逼近[10 ]. 高协平和张钹针提出一种小波区间网络模型[11—12 ].本文下面的研究是这样安排的: 第1 节详细讨论了“日历效应”的概念, 并提出使用的小波神经网络(WNN ) 模型来定量地刻画“日历效应”; 第2 节在上证指数高频数据的基础上,利用小波神经网络(WNN ) 模型对上海股票市场的“日历效应”进行估计; 第3 节是结语部分, 对本文研究作了总结, 对未来的研究作了展望。
证券的流动性是指证券的变现能力。从证券流动性的概念来看,其本质是指在现在价位不变的情况下或在价位波动较小的情况下,能够卖出证券的数量或金额,如果能够卖出的数量或金融较大则该证券的流动性较好。从另外一个角度来看,流动性还指在现在价位不变或在价位波动较小的情况下,能够买入证券的数量或金额,这也是证券市场比较普遍存在的流动性问题。个人投资者对流动性的要求较低,而机构投资者则异常关注流动性的风险问题。如封闭式基金分红、开放式基金面临巨额赎回时都会遇到资产变现的问题,尤其是后者。中国股票市场波动性较大,在市场上涨时,基金管理者希望提高仓位来获取股市上扬带来的收益;但市场下跌时经常出现交易量急剧论文范文http://www.chuibin.com/ 减少的情况,如果这时出现较大数额的基金赎回申请,基金需要进行仓位调整,这就涉及到资产的变现问题,基金面临的流动性风险将最终影响单位资产净值。近期开放式基金扩容速度不断加快,前期市场讨论的封闭式基金转开放的问题也已经浮出水面,基金银丰契约中规定1年后由封闭转开放,届时封闭转开放将会成为市场趋势,这也对目前封闭式基金投资运作中的仓位控制提出了更高的要求。相应的流动性风险研究、测度就成为各基金管理公司进行风险管理的首要问题。另外,固定受益证券如国债、企业债相对于股票而言,市场的流动性较低,因此基金在买卖国债、企业债时,较难获得合理的价格或者要付出更高的费用。