中国股市投资者预测交易到达率的GARCH学习行为

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

姓名

邮箱

手机号码

标题

留言内容

验证码

中国股市投资者预测交易到达率的GARCH学习行为

1.
天津大学管理与经济学部, 天津 300072

基金项目:

国家自然科学基金资助项目(70771076)

The GARCH Learning Behavior of Investors' Forecasting Transaction Arrival Rate of Chinese Stock Market

1.
College of Management and Economics,Tianjin University,Tianjin 300072,China

摘要:在投资者具有学习能力的假设基础上,构建了一个允许知情和未知情交易到达率时变且可预测的GARCH结构信息模型.应用该模型,基于沪深300成分股2006—2009的高频分笔交易数据,研究了中国股票市场投资者学习市场交易信息并调整其交易行为的动态过程.发现投资者能够根据前期的预测到达率以及订单数据推测的当期到达率,优化其下期的交易决策;此外,预测误差对后期预测的影响是一个二阶导数大于零的递减函数.
- 时变预测到达率/
- GARCH结构/
- 信息模型
Abstract:Based on the assumption that investors have the learning ability,a GARCH structure information model allowing the informed and uninformed arrival rate to be time-varying and predictable was built. Applying the model and basing on the Shanghai & Shenzhen 300 Index component stocks from 2006 to 2009 high-frequency tick by tick transaction data, we investigated the dynamic process how Chinese stock market investors learned from market transaction information and adjusted their trade behavior. We found that investors could optimize their next period transaction decision-making based on previous forecasting arrival rate and current period arrival rate derived from order data. In addition, the impact of prediction error on next period forecast is a decreasing function whose second derivative is greater than zero.
- time varying forecasting arrival rate/
- GARCH structure/
- information model

[1]	Easley D,Kiefer N M,O'Hara M. Cream-skimming or profit-sharing? the curious role of purchased order flow[J]. The Journal of Finance. 1996,51(3)：811-833.
[2]	Easley D,Kiefer N M,O'Hara M,et al. Liquidity,information and infrequently traded stocks[J]. The Journal of Finance. 1996,51(4)：1405-1436.
[3]	Easley D,Kiefer N M,O'Hara M. The information content of the trading process[J]. Journal of Empirical Finance. 1997,4(2-3)： 159-186.
[4]	Easley D,O'Hara M,Paperman J. Financial analysts and information-based trade[J]. Journal of Financial Markets. 1998,1(2)： 175-201.
[5]	Easley D,O'Hara M,Srinivas P S. Option volume and stock prices: evidence on where informed traders trade[J]. The Journal of Finance. 1998,53(2)：431-465.
[6]	Easley D,Hvidkjaer S,O Hara M. Is information risk a determinant of asset returns？[J]. The Journal of Finance. 2002,57(5)： 2185-2221.
[7]	Easley D,O'Hara M. Information and the cost of capital[J]. The Journal of Finance. 2004,59(4)：1553-1583.
[8]	Handa P,Schwartz R,Tiwari A. Quote setting and price formation in an order driven market[J]. Journal of Financial Markets. 2003,6(4)：461-489.
[9]	Lei Q,Wu G. Time-varying informed and uninformed trading activities[J]. Journal of Financial Markets. 2005,8(2)：153-181.
[10]	Jegadeesh N,Titman S. Overreaction,delayed reaction,and contrarian profits [J]. Review of Financial Studies. 1995,8(4)：973-993.
[11]	Grinblatt M,Titman S,Wermers R. Momentum investment strategies,portfolio performance and herding: a study of mutual fund behavior[J]. The American Economic Review. 1995,85(5)：1088-1105.
[12]	Jegadeesh N,Titman S. Cross-sectional and time-series determinants of momentum returns[J]. Review of Financial Studies. 2002,15(1)：143-157.
[13]	Lo A W,Craig Mackinlay A. An econometric analysis of nonsynchronous trading [J]. Journal of Econometrics. 1990,45(1-2)：181-211.
[14]	Siegel J J. Equity risk premia,corporate profit forecasts and investor sentiment around the stock crash of october 1987[J]. The Journal of Business. 1992,65(4)：557-570.
[15]	Easley D,Engle R F,O'Hara M,et al. Time-varying arrival rates of informed and uninformed trades[J]. Journal of Financial Econometrics. 2008,6(2)：171-207.
[16]	Tim B. Generalized autoregressive conditional heteroskedasticity[J]. Journal of Econometrics. 1986,31(3)：307-327.
[17]	Bollerslev T,Chou R Y,Kroner K F. ARCH modeling in finance: a review of the theory and empirical evidence[J]. Journal of Econometrics. 1992,52(1-2)：5-59.
[18]	Easley D,Hvidkjaer S,O Hara M. Factoring information into returns[J]. Journal of Financial and Quantitative Analysis. 2010,45(02)：293-309.
[19]	Katti S K. Moments of the absolute difference and absolute deviation of discrete distributions[J]. The Annals of Mathematical Statistics. 1960,31(1)：78-85.
[20]	Duarte J,Young L. Why is PIN priced[J]. Journal of Financial Economics. 2009,91(2)：119-138.

[1]	赵领娣, 范超, 王海霞.中国碳市场与能源市场的时变溢出效应. bob手机在线登陆学报（社会科学版）, 2021, 23(1): 28-40.doi:10.15918/j.jbitss1009-3370.2021.4972
[2]	杨文举, 陈永强.基于嵌套经济结构的生产率分解. bob手机在线登陆学报（社会科学版）, 2021, 23(6): 84-95.doi:10.15918/j.jbitss1009-3370.2021.5724
[3]	尹海员, 吴兴颖.投资者日度情绪、超额收益率与市场流动性——基于DCC-GARCH模型的时变相关性研究. bob手机在线登陆学报（社会科学版）, 2019, (5): 76-87,114.doi:10.15918/j.jbitss1009-3370.2019.1776
[4]	王春峰, 余思婧, 房振明, 孙端.非预期广义信息到达与流动性动态行为研究. bob手机在线登陆学报（社会科学版）, 2015, (3): 77-82.doi:10.15918/j.jbitss1009-3370.2015.0311
[5]	张跃军, 涂鋆.中国燃料油期货市场动态套期保值研究——基于Copula-GARCH模型的实证分析. bob手机在线登陆学报（社会科学版）, 2015, (1): 8-13.doi:10.15918/j.jbitss1009-3370.2015.0102
[6]	李成, 郭哲宇, 王瑞君.中国货币政策与股票市场溢出效应研究——基于VAR-GARCH-BEKK模型. bob手机在线登陆学报（社会科学版）, 2014, (4): 83-91.
[7]	王瑞君.沪深股市结构特征及作用关系研究——基于EEMD和状态空间模型. bob手机在线登陆学报（社会科学版）, 2013, (1): 46-53,62.
[8]	厉浩, 陈庭强, 何建敏.复杂网络理论的银行间市场网络结构演化模型. bob手机在线登陆学报（社会科学版）, 2012, (2): 71-76.
[9]	吴刘杰, 郑宇.沪深300股指期货对标的指数的影响——基于修正GARCH模型的实证分析. bob手机在线登陆学报（社会科学版）, 2012, (3): 27-31.
[10]	刁胜先.论个人信息权的权利结构——以“控制权”为束点和视角. bob手机在线登陆学报（社会科学版）, 2011, (3): 92-96,102.
[11]	党跃臣, 徐娟.基于matlab的网民数量预测模型研究. bob手机在线登陆学报（社会科学版）, 2010, (2): 47-49.
[12]	倪渊, 林健.基于结构方程模型研发团队绩效评价体系研究. bob手机在线登陆学报（社会科学版）, 2010, (5): 59-63.
[13]	孙慧, 周颖, 范志清.基于解释结构模型的公交客流量影响因素分析. bob手机在线登陆学报（社会科学版）, 2010, (1): 29-32.
[14]	杨晗熠, 吴育华.组合预测模型在城市垃圾产量预测中的研究与应用. bob手机在线登陆学报（社会科学版）, 2009, (2): 54-57.
[15]	姚绍文.模糊环境下基于信息熵风险度量的投资组合模型. bob手机在线登陆学报（社会科学版）, 2008, (6): 59-61.
[16]	齐二石, 崔铭伟, 宋立夫.基于供应链管理的制造业信息化评价模型研究. bob手机在线登陆学报（社会科学版）, 2008, (6): 36-40.
[17]	田喜洲.基于结构方程模型的我国接待业员工满意度指数研究. bob手机在线登陆学报（社会科学版）, 2008, (1): 80-82.
[18]	李彪, 杨宝臣.上交所国债收益率的聚类结构分析. bob手机在线登陆学报（社会科学版）, 2006, (1): 74-76.
[19]	吴启权, 王春峰, 房振明, 李晗虹.基于SV模型时变参数的中国股市政策效应研究. bob手机在线登陆学报（社会科学版）, 2006, (3): 41-45.
[20]	冯海旗, 甘仞初.基于分形的国民经济动员信息系统结构模型研究. bob手机在线登陆学报（社会科学版）, 2004, (3): 7-11.

点击查看大图

计量

文章访问数:901
HTML全文浏览量:0
PDF下载量:112
被引次数:0

中国股市投资者预测交易到达率的GARCH学习行为

1. 天津大学管理与经济学部, 天津 300072

基金项目:

国家自然科学基金资助项目(70771076)

收稿日期:2012-01-18

刊出日期:2012-07-24

关键词:

时变预测到达率/

GARCH结构/

信息模型

摘要:在投资者具有学习能力的假设基础上,构建了一个允许知情和未知情交易到达率时变且可预测的GARCH结构信息模型.应用该模型,基于沪深300成分股2006—2009的高频分笔交易数据,研究了中国股票市场投资者学习市场交易信息并调整其交易行为的动态过程.发现投资者能够根据前期的预测到达率以及订单数据推测的当期到达率,优化其下期的交易决策;此外,预测误差对后期预测的影响是一个二阶导数大于零的递减函数.

参考文献 (20)

留言板

中国股市投资者预测交易到达率的GARCH学习行为

The GARCH Learning Behavior of Investors' Forecasting Transaction Arrival Rate of Chinese Stock Market

计量

中国股市投资者预测交易到达率的GARCH学习行为

1. 天津大学管理与经济学部, 天津 300072

English Abstract

The GARCH Learning Behavior of Investors' Forecasting Transaction Arrival Rate of Chinese Stock Market

1. College of Management and Economics,Tianjin University,Tianjin 300072,China

目录

作者相关

写作规范

友情链接

留言板

中国股市投资者预测交易到达率的GARCH学习行为

The GARCH Learning Behavior of Investors' Forecasting Transaction Arrival Rate of Chinese Stock Market

计量

出版历程

中国股市投资者预测交易到达率的GARCH学习行为

1. 天津大学 管理与经济学部, 天津 300072

English Abstract

The GARCH Learning Behavior of Investors' Forecasting Transaction Arrival Rate of Chinese Stock Market

1. College of Management and Economics,Tianjin University,Tianjin 300072,China

目录

作者相关

写作规范

友情链接

1. 天津大学管理与经济学部, 天津 300072