共查询到19条相似文献，搜索用时 187 毫秒
1.
在Black-Litterman模型的基础上,利用GJR-GARCH-M模型,由历史数据获得数量化的观点,对期货投资中卖空限制进行优化处理,形成新的量化投资组合模型.检验结果表明,该模型给出的投资策略能获得一定超额收益,具有一定的优越性. 相似文献
2.
用几何平均收益取代Ｍ．Ｈ．Ｍａｒｋｏｗｉｔｚ算术平均收益和均方差作为投资组合或证券组合的评价标准，于是得到增值熵——它反映资金的增值速度——一个更加客观且可检验的测度。文中提供了一些优化投资比例的简单实用公式和多证券组合的电脑优化例子，同时提出了基于新的投资组合理论的信息价值测度；讨论了如何用新的信息价值测度作为准则评价和优化关于股市指数的预言 相似文献
3.
证券投资基金投资绩效分析 总被引：15，自引：0，他引：15
本文依据资本市场理论,通过应用事后证券组合特征曲线的回归分析,对证券投资基金的投资绩效及其投资组合策略进行实证研究。结果表明投资基金全都获得了超出市场平均水平的超额收益率,且投资绩效显著;基金组合投资绩效产生的原因不是来源于基金的市场时间规划效果,而是来源于优良的股票选择。 相似文献
4.
5.
对于创新生态系统来说，价值共创行为协调机制是保障其稳定运行关键所在。本文基于演化博弈的视角构建了创新生态系统价值共创行为协调机制演化模型，并分析了其演化过程。研究结果表明：创新生态系统价值共创行为演化结果能否向全面协调方向发展，主要受到价值共创超额收益分配比例、协调合作的成本、选择欺骗策略收益以及单独采取合作策略收益及奖惩力度等一系列因素的影响。将超额收益分配与合作成本分摊比例控制在合理范围内，进一步减少合作成本，增加单独合作收益与合作超额收益，降低欺骗策略收益，加强惩罚力度，这都能够促进创新生态系统稳定持续发展。 相似文献
6.
上海股市基于会计信息反应半强式有效性实证分析 总被引：8，自引：0，他引：8
本文以上海证交所上市的１００ 家上市公司为研究对象,按净利润增长率分为赢家组合和输家组合。通过计算各组合中公司１９９７年年报公布前后各２０ 天的超额收益率,发现赢家组合和输家组合的超额收益率都显著大于零,并且赢家组合对会计盈余信息反应不足。结果表明我国股票市场非半强式有效。 相似文献
7.
本文探讨企业的研发投资对企业超额收益的影响。分析在不同的情境下，研发投入所引起的市场对公司估值的变化。基于2008年-2016年上市公司的研发数据和股票价格，探究在中国市场中研发投资与超额收益的关系。结果显示：企业的研发投入对企业超额收益率具有显著的正向影响；行业竞争程度可以正向调节研发投入与超额收益率的关系；在分工程度高的企业中，研发投入与超额收益率的关系更加突显，但是只有在分工程度高的企业中，行业竞争才能发挥对二者的调节作用。这表明，研发可以促进企业的发展，同时在竞争的压力下寻求分工合作，对企业的成长至关重要。 相似文献
8.
9.
要点:基于长城证券2010年A股投资策略和近期公布的基金2009年四季报对于2010年A股市场的预测,我们对于2010年基金市场的整体投资策略做出五大猜想:指数型基金难现昨日风光投资权益类基金的整体收益预期应降低封闭式基金或有阶段性投资机会新股申购对债券型基金的贡献下降货币市场型基金收益率或有上升 相似文献
10.
对投资项目(或方案)进行经济评价,是投资决策中必不可少的重要环节.针对项目投资组合问题,基于现值指数法,建立新的多项目投资组合风险、收益综合评价指标,并运用该指标,建立多投资项目(或方案)组合模型,研究在资源受限的情况下.对项目组合进行风险评价及择优的方法,在此基础上结合遗传算法对模型进行求解.最后,数值算例说明了模型的应用与算法的可行性. 相似文献
11.
为拓展产品市场、企业与股票市场等领域相关文献的研究,以2010—2016年沪深两市A股上市企业为研究对象,分别采用投资组合分析与面板数据回归的方法,考察产品市场竞争、研发投入与股票收益三者之间的具体关系。研究结果表明,对中国市场来说,产品市场竞争在一定程度上会为企业带来高收益,但随着竞争的进一步加剧收益反而会有所下降,研发投入水平较高的企业会获得更高的收益,且研发投入会强化产品市场竞争对股票收益的作用效果。最后进行一系列稳健性检验,主要结论均未发生变化。 相似文献
12.
Value at Risk模型及其在香港股市中的实证分析 总被引：5，自引：0，他引：5
在本文中,我们就已有的各种Value at Risk(VaR)模型进行了分析,并就仅含单个股指的投资组合进行了具体的计算.为了对每个模型的有效性进行评价,我们采用Kupiec的Back-test检验进行比较.主要的结论是进一步验证了股指收益率的分布不是正态的,而是具有厚尾性;条件VaR模型优于非条件VaR模型;对股指收益率进行VaR估计时,最重要的是变易率聚类性. 相似文献
13.
本文以上证(SHSE)A股市场为考察对象,利用Shefrin和Statman的行为证券组合模型,对影响上证A股横截面预期收益的关键因素进行了探索性研究,据此实证检验了上证A股市场风险与收益之间的关系。基于行为证券组合的实证模型,考虑了上证A股市场特有的收益影响因子。采用2000年2月~2004年6月上证A股418家上市公司为样本,实证结果表明,上证A股市场风险与收益之间存在显著的负相关关系。这与利用标准金融模型的实证结果不同,但却趋于和上证A股市场实际情境吻合。 相似文献
14.
会计盈余和经营活动现金流量的信息含量的实证研究 总被引：10，自引：0，他引：10
本文对会计盈余和现金流量的信息含量有关文献进行了回顾，重点对我国沪市公司公布的会计盈余和经营活动现金流量的信息含量进行了实证研究。本文将非预期会计盈余和非预期经营活动现金流量单独和同时与累计非正常报酬率建立回归模型，分别采用混合样本和年度样本对假设进行检验，结果证明：会计盈余和经营活动现金流量都能提供决策信息，并且两者的信息含量之间存在差别，互为补充可提高对投资者决策行为的解释力。 相似文献
15.
通过极大化风险调整后的资本收益率(RAROC),建立了一个最优资产投资组合方案。根据RAROC的分式结构,以及回报函数和风险函数通常是关于投资额的齐次函数,将分式优化问题转化为对其分母的最优化。当风险资产期末回报率服从正态分布,风险度量采用在险价值或条件在险价值时,极大化RAROC的问题可以转化为目标函数为二次平方根函数,约束为线性灯饰和不等式的最优化问题,此时可以利用二阶锥优化模型进行求解。 相似文献
16.
中国的投资银行正面临着从分业经营向混业经营的回归,这是一个循序渐进的长期发展过程。投资银行的发展模式和竞争战略必须要循时因势地进行创新调整。根据中国的市场演进制定创新发展战略是提高中国投资银行竞争力的必由之路,并依此提出大型专业化模式、金融控股公司模式、战略联盟模式和专业化经纪商模式四种创新发展战略。 相似文献
17.
18.
《Information processing & management》2023,60(4):103358
Stock forecasting has always been challenging as the stock market is affected by a combination of factors. Temporal Convolutional Network (TCN) based on convolutional structure has been widely used in time series prediction in recent years, but the dilated causal convolution structure leaves it unable to effectively learn the dependencies between data at different time points. This paper proposes a method for stock ranking prediction. To enhance the ability of TCN to handle dependencies within series, we first develop a channel-time dual attention module (CTAM). In conjunction with TCN to process complex historical stock price data, CTAM can adaptively learn the importance of multiple price nature series of stocks and model the dependencies between the data at different times. On the other hand, due to the market industry rotation, some stocks with specific industry attributes may become market preference for a period time. To apply the industry attributes to the stock prediction, we construct an industry-stock Pearson correlation matrix and extract a vector that fully characterizes the industry attributes of stocks from it through a matrix factorization algorithm. Furthermore, the historical market preference is modeled according to the industry attribute of the stocks to generate the dynamic correlation between stocks and market preference, and this correlation is combined with the historical price features extracted by TCN for stock ranking prediction. We conduct experiments on three datasets of 950 constituent stocks of the Shanghai Stock Exchange Index, 750 constituent stocks of the Shenzhen Stock Exchange 1000 Index and 486 stocks of the S&P500 to demonstrate the effectiveness of the proposed method. On the Shanghai Stock Exchange Index dataset, the Investment Return Ratio (IRR) obtained by using the predict results of our method to guide the exchange reached 1.416, and the Sharpe Ratio (SR) reached 2.346. On the Shenzhen Stock Exchange Index dataset, the IRR reached 1.434 and the Sharpe ratio reached 2.317. On the S&P500, the IRR reached 1.491 and the Sharpe ratio reached 2.031. 相似文献