A. 有關滬深300指數的論文。。。包括定義，內容，特點，交易方式以及交易時間
摘 要 研究了滬深300指數日收益率時間序列，經檢驗其具有馬氏性，並建立了馬爾可夫鏈模型。取交易日分時數據，根據分時數據確定狀態初始概率分布，通過一步轉移概率矩陣對下一交易日的日收益率進行了預測。對該模型分析和計算，得出其為有限狀態的不可約、非周期馬爾可夫鏈，求解其平穩分布，從而得到滬深300指數日收益率概率分布。並預測了滬深300指數上漲或下跌的概率，可為投資管理提供參考。
關鍵詞 馬爾可夫鏈模型 滬深300指數 日收益率概率分布 平穩分布
1 引言
滬深300指數於2005年4月正式發布，其成份股為市場中市場代表性好，流動性高，交易活躍的主流投資股票，能夠反映市場主流投資的收益情況。眾多證券投資基金以滬深300指數為業績基準，因此對滬深300指數收益情況研究顯得尤為重要，可為投資管理提供參考。
取滬深300指數交易日收盤價計算日收益率，可按區間將日收益率分為不同的狀態，則日收益率時間序列可視為狀態的變化序列，從而可以嘗試採用馬爾可夫鏈模型進行處理。馬爾可夫鏈模型在證券市場的應用已取得了不少成果。參考文獻[1]、[2]、[3]和[4]的研究比較類似，均以上證綜合指數的日收盤價為對象，按漲、平和跌劃分狀態，取得了一定的成果。但只取了40～45個交易日的數據進行分析，歷史數據過少且狀態劃分較為粗糙。參考文獻[5]和[6]以上證綜合指數周價格為對象，考察指數在的所定義區間（狀態）的概率，然其狀態偏少（分別只有6個和5個狀態），區間跨度較大，所得結果實際參考價值有限。參考文獻[7]對單只股票按股票價格劃分狀態，也取得了一定成果。
然而收益率是證券市場研究得更多的對象。本文以滬深300指數日收益率為對考察對象進行深入研究，採用matlab7.1作為計算工具，對較多狀態和歷史數據進行了處理，得出了滬深300指數日收益率概率分布，並對日收益率的變化進行了預測。
2 馬爾可夫鏈模型方法
2.1 馬爾可夫鏈的定義
設有隨機過程{Xt，t∈T}，T是離散的時間集合，即T={0，1，2，L}，其相應Xt可能取值的全體組成狀態空間是離散的狀態集I={i0，i1，i2，L}，若對於任意的整數t∈T和任意的i0，i1，L，it+1∈I，條件概率則稱{Xt，t∈T}為馬爾可夫鏈，簡稱馬氏鏈。馬爾可夫鏈的馬氏性的數學表達式如下：
P{Xn+1=in+1|X0=i0，X1=i1，L，Xn=in}=P{Xn+1=in+1|Xn=in} （1）
2.2 系統狀態概率矩陣估計
馬爾可夫鏈模型方法的基本內容之一是系統狀態的轉移概率矩陣估算。估算系統狀態的概率轉移矩陣一般有主觀概率法和統計估演算法兩種方法。主觀概率法一般是在缺乏歷史統計資料或資料不全的情況下使用。本文採用統計估演算法，其主要過程如下：假定系統有m種狀態S1，S2，L，Sm根據系統的狀態轉移的歷史記錄，可得到表1的統計表格。其中nij表示在考察的歷史數據范圍內系統由狀態i一步轉移到狀態j的次數，以■ij表示系統由狀態i一步轉移到狀態的轉移概率估計量，則由表1的歷史統計數據得到■ij的估計值和狀態的轉移概率矩陣P如下：
■ij=nij■nik，P=p11 K p1mM O Mpm1 L pmn（2）
2.3 馬氏性檢驗
隨機過程{Xt，t∈T}是否為馬爾可夫鏈關鍵是檢驗其馬氏性，可採用χ2統計量來檢驗。其步驟如下：（nij）m×m的第j列之和除以各行各列的總和所得到的值記為■.j，即：
■.j=■nij■■nik，且■ij=nij■nik（3）
當m較大時，統計量服從自由度為（m-1）2的χ2分布。選定置信度α，查表得χ2α（（m-1）2），如果■2>χ2α（（m-1）2），則可認為{Xt，t∈T}符合馬氏性，否則認為不是馬爾可夫鏈。
■2=2■■nijlog■ij■.j（4）
2.4 馬爾可夫鏈性質
定義了狀態空間和狀態的轉移概率矩陣P，也就構建了馬爾可夫鏈模型。記Pt（0）為初始概率向量，PT（n）為馬爾可夫鏈時刻的絕對概率向量，P（n）為馬爾可夫鏈的n步轉移概率矩陣，則有如下定理：
P（n）=PnPT（n）=PT（0）P（n）（5）
可對馬爾可夫鏈的狀態進行分類和狀態空間分解，從而考察該馬爾可夫鏈模型的不可約閉集、周期性和遍歷性。馬爾可夫鏈的平穩分布有定理不可約、非周期馬爾可夫鏈是正常返的充要條件是存在平穩分布；有限狀態的不可約、非周期馬爾可夫鏈必定存在平穩過程。
3 馬爾可夫鏈模型方法應用
3.1 觀測值的描述和狀態劃分
取滬深300指數從2005年1月4日~2007年4月20日共555個交易日收盤價計算日收益率（未考慮分紅），將日收益率乘以100並記為Ri，仍稱為日收益率。計算公式為：
Ri=（Pi-Pi-1）×100/Pi-1（6）
其中，Pi為日收盤價。
滬深300指數運行比較平穩，在考察的歷史數據范圍內日收益率有98.38％在[-4.5，4.5]。可將此范圍按0.5的間距分為18個區間，將小於-4.5和大於4.5各記1區間，共得到20個區間。根據日收益率所在區間劃分為各個狀態空間，即可得20個狀態（見表2）。
3.2 馬氏性檢驗
採用χ2統計量檢驗隨機過程{Xt，t∈T}是否具有馬氏性。用前述統計估演算法得到頻率矩陣（nij）20×20。
由（3）式和（4）式可得：■.j=■nij■■nik，且■ij=nij■nik，■2=2■■nijlog■ij■.j=446.96，令自由度為k=（m-1）2即k=361，取置信度α=0.01。由於k>45，χ2α（k）不能直接查表獲得，當k充分大時，有：
χ2α（k）≈■（zα+■）2（7）
其中，zα是標准正態分布的上α分位點。查表得z0.01=2.325，故可由（1）、（7）式得，即統計量，隨機過程{Xt，t∈T}符合馬氏性，所得模型是馬爾可夫鏈模型。
3.3 計算轉移概率矩陣及狀態一步轉移
由頻率矩陣（nij）20×20和（1）、（2）式得轉移概率矩陣為P=（Pij）20×20。考察2007年4月20日分時交易數據（9：30~15：30共241個數據），按前述狀態劃分方法將分時交易數據收益率歸於各狀態，並記Ci為屬於狀態i的個數，初始概率向量PT（0）=（p1，p2，L，pt，L，p20），則：
pj=Cj/241，j=1，2，K，20（8）
下一交易日日收益率分布概率PT（0）={p1（1），p2（1），L，pi（1），L，p20（1）}，且有PT（1）-PT（0）p，計算結果如表3所示。
3.4 馬爾可夫鏈遍歷性和平穩分布
可以分析該馬爾可夫鏈的不可約集和周期性，從而進一步考察其平穩分布，然而其分析和求解非常復雜。本文使用matlab7.1採用如下演算法進行求解：將一步轉移概率矩陣P做乘冪運算，當時Pn+1=Pn停止，若n>5 000亦停止運算，返回Pn和n。計算發現當n=48時達到穩定，即有P（∞）=P（48）=P48。考察矩陣P（48）易知：各行數據都相等，不存在數值為0的行和列，且任意一行的行和為1。故該馬爾可夫鏈{Xt，t∈T}只有一個不可約集，具有遍歷性，且存在平穩分布{πj，j∈I}，平穩分布為P（48）任意一行。從以上計算和分析亦可知該馬爾可夫鏈是不可約、非周期的馬爾可夫鏈，存在平穩分布。計算所得平穩分布如表4所示。
3.5 計算結果分析
表3、表4給出了由當日收益率統計出的初始概率向量PT（0），狀態一步預測所得絕對概率向量PT（1）和日收益率平穩分布，由表3和表4綜合可得圖1。可以看出，雖然當日（2007年4月20日）收益率在區間（1.5，4.5）波動且在（2.5，4.5）內的概率達到了0.7261，表明在2007年4月20日，日收益率較高（實際收盤時，日收益率為4.41），但其下一交易日和從長遠來看其日收益率概率分布依然可能在每個區間。這是顯然的，因為日收益率是隨機波動的。
對下一交易日收益率預測（PT（1）），發現在下一交易日收益率小於0的概率為0.4729，大於0的概率為0.5271，即下一交易日收益率大於0的概率相對較高，其中在區間（-2，-1.5）、（0.5，1）和（1，1.5）概率0.2675、0.161和0.1091依次排前三位，也說明下一交易日收益率在（-2，-1.5）的概率會比較高，有一定的風險。
從日收益率長遠情況（平穩分布）來看，其分布類似正態分布但有正的偏度，說明其極具投資潛力。日收益率小於0的概率為0.4107，大於0的概率為0.5893，即日收益率大於0的概率相當的高於其小於0的概率。
4 結語
採用馬爾可夫鏈模型方法可以依據某一交易日收益率情況向對下一交易日進行預測，也可得到從長遠來看其日收益率的概率分布，定量描述了日收益率。通過對滬深300指數日收益率分析和計算，求得滬深300指數日收益率的概率分布，發現滬深300指數日收益率大於0的概率相對較大（從長遠看，達到了0.5893，若考慮分紅此概率還會變大），長期看來滬深300指數表現樂觀。若以滬深300指數構建指數基金再加以調整，可望獲得較好的回報。
筆者亦採用范圍（-5，5）、狀態區間間距為1和范圍（-6，6）、狀態區間間距為2進行運算，其所得結果類似。當採用更大的范圍（如-10，10等）和不同的區間大小進行運算，計算發現若狀態劃分過多，所得模型不易通過馬氏性檢驗，如何更合理的劃分狀態使得到的結果更精確是下一步的研究之一。在後續的工作中，採用ANN考察所得的日收益率預測和實際日收益率的關系也是重要的研究內容。馬爾可夫鏈模型方法也可對上證指數和深證成指數進行類似分析。
參考文獻
1 關麗娟，趙鳴.滬綜指走勢的馬爾可夫鏈模型預測[J].山東行政學院，山東省經濟管理幹部學院學報，2005（4）
2 陳奕余.基於馬爾可夫鏈模型的我國股票指數研究[J].商場現代化（學術研討），2005（2）
3 肖澤磊，盧悉早.基於馬爾可夫鏈系統的上證指數探討[J].科技創業月刊，2005（9）
4 邊廷亮，張潔.運用馬爾可夫鏈模型預測滬綜合指數[J].統計與決策，2004（6）
5 侯永建，周浩.證券市場的隨機過程方法預測[J].商業研究，2003（2）
6 王新蕾.股指馬氏性的檢驗和預測[J].統計與決策，2005（8）
7 張宇山，廖芹.馬爾可夫鏈在股市分析中的若干應用[J].華南理工大學學報（自然科學版），2003（7）
8 馮文權.經濟預測與決策技術[M].武漢：武漢大學出版社，2002
9 劉次華.隨機過程[M].武漢：華中科技大學出版社，2001
10 盛千聚.概率論與數理統計[M].北京：高等教育出版社.1989轉
B. 怎樣理解fama french三因子模型
Fama 和French 1993年指出可以建立一個三因子模型來解釋股票回報率。模型認為，一個投資組合(包括單個股票)的超額回報率可由它對三個因子的暴露來解釋，這三個因子是：市場資產組合(Rm− Rf)、市值因子(SMB)、賬面市值比因子(HML)。這個多因子均衡定價模型可以表示為：
E(Rit) − Rft= βi[E(Rmt− Rft] + siE(SMBt) + hiE(HMIt)
其中Rft表示時間t的無風險收益率；Rmt表示時間t的市場收益率；Rit表示資產i在時間t的收益率；E(Rmt) − Rft是市場風險溢價，SMBt為時間t的市值(Size)因子的模擬組合收益率(Small minus Big)，HMIt為時間t的賬面市值比(book—to—market)因子的模擬組合收益率(High minus Low)。
β、si和hi分別是三個因子的系數，回歸模型表示如下：
Rit− Rft= ai+ βi(Rmt− Rft) + SiSMBt+ hiHMIt+ εit
但是，我們應該看到，三因子模型並不代表資本定價模型的完結，在最近的研究發現，三因子模型中還有很多未被解釋的部分，如短期反轉、中期動量、波動、偏度、賭博等因素。
C. 如何用GARCH(1,1)求股票的具體波動率數據
以哈飛股份(600038)為例，運用GARCH（1,1）模型計算股票市場價值的波動率。
GARCH（1,1）模型為：
(1)
(2)
其中， 為回報系數， 為滯後系數， 和 均大於或等於0。
（1）式給出的均值方程是一個帶有誤差項的外生變數的函數。由於是以前面信息為基礎的一期向前預測方差，所以稱為條件均值方程。
（2）式給出的方程中： 為常數項， （ARCH項）為用均值方程的殘差平方的滯後項， （GARCH項）為上一期的預測方差。此方程又稱條件方差方程，說明時間序列條件方差的變化特徵。
通過以下六步進行求解：
本文選取哈飛股份2009年全年的股票日收盤價，採用Eviews 6.0的GARCH工具預測股票收益率波動率。具體計算過程如下：
第一步：計算日對數收益率並對樣本的日收益率進行基本統計分析，結果如圖1和圖2。
日收益率採用JP摩根集團的對數收益率概念，計算如下：
其中Si，Si-1分別為第i日和第i-1日股票收盤價。
圖1 日收益率的JB統計圖
對圖1日收益率的JB統計圖進行分析可知：
（1）標准正態分布的K值為3，而該股票的收益率曲線表現出微量峰度（Kurtosis=3.748926>3），分布的凸起程度大於正態分布，說明存在著較為明顯的「尖峰厚尾」形態；
（2）偏度值與0有一定的差別，序列分布有長的左拖尾，拒絕均值為零的原假設，不屬於正態分布的特徵；
（3）該股票的收益率的JB統計量大於5%的顯著性水平上的臨界值5.99，所以可以拒絕其收益分布正態的假設，並初步認定其收益分布呈現「厚尾」特徵。
以上分析證明，該股票收益率呈現出非正態的「尖峰厚尾」分布特徵，因此利用GARCH模型來對波動率進行擬合具有合理性。
第二步：檢驗收益序列平穩性
在進行時間序列分析之前，必須先確定其平穩性。從圖2日收益序列的路徑圖來看，有比較明顯的大的波動，可以大致判斷該序列是一個非平穩時間序列。這還需要嚴格的統計檢驗方法來驗證，目前流行也是最為普遍應用的檢驗方法是單位根檢驗，鑒於ADF有更好的性能，故本文採用ADF方法檢驗序列的平穩性。
從表1可以看出，檢驗t統計量的絕對值均大於1%、5％和10%標准下的臨界值的絕對值，因此，序列在1%的顯著水平下拒絕原假設，不存在單位根，是平穩序列，所以利用GARCH（1,1）模型進行檢驗是有效的。
圖2 日收益序列圖
表1ADF單位根檢驗結果
第三步：檢驗收益序列相關性
收益序列的自相關函數ACF和偏自相關函數PACF以及Ljung-Box-Pierce Q檢驗的結果如表3（滯後階數 =15）。從表4.3可以看出，在大部分時滯上，日收益率序列的自相關函數和偏自相關函數值都很小，均小於0.1，表明收益率序列並不具有自相關性，因此，不需要引入自相關性的描述部分。Ljung-Box-Pierce Q檢驗的結果也說明日收益率序列不存在明顯的序列相關性。
表2自相關檢驗結果
第四步：建立波動性模型
由於哈飛股份收益率序列為平穩序列，且不存在自相關，根據以上結論，建立如下日收益率方程：
(3)
(4)
第五步：對收益率殘差進行ARCH檢驗
平穩序列的條件方差可能是常數值，此時就不必建立GARCH模型。故在建模前應對收益率的殘差序列εt進行ARCH檢驗，考察其是否存在條件異方差，收益序列殘差ARCH檢驗結果如表3。可以發現，在滯後10階時，ARCH檢驗的伴隨概率小於顯著性水平0.05，拒絕原假設，殘差序列存在條件異方差。在條件異方差的理論中，滯後項太多的情況下，適宜採用GARCH（1,1）模型替代ARCH模型，這也說明了使用GARCH（1,1）模型的合理性。
表3日收益率殘差ARCH檢驗結果
第六步：估計GARCH模型參數，並檢驗
建立GARCH（1,1）模型，並得到參數估計和檢驗結果如表4。其中，RESID(-1)^2表示GARCH模型中的參數α，GARCH（-1）表示GARCH模型中的參數β，根據約束條件α+β<1，有RESID(-1)^2+GARCH（-1）=0.95083＜1，滿足約束條件。同時模型中的AIC和SC值比較小，可以認為該模型較好地擬合了數據。
表4日收益率波動率的GARCH（1,1）模型的參數估計
D. 您好，我想問問您的一個回答的論文題目，百度知道上的問題是：（以下補充）謝謝！
摘 要 研究了滬深300指數日收益率時間序列，經檢驗其具有馬氏性，並建立了馬爾可夫鏈模型。取交易日分時數據，根據分時數據確定狀態初始概率分布，通過一步轉移概率矩陣對下一交易日的日收益率進行了預測。對該模型分析和計算，得出其為有限狀態的不可約、非周期馬爾可夫鏈，求解其平穩分布，從而得到滬深300指數日收益率概率分布。並預測了滬深300指數上漲或下跌的概率，可為投資管理提供參考。
關鍵詞 馬爾可夫鏈模型 滬深300指數 日收益率概率分布 平穩分布
1 引言
滬深300指數於2005年4月正式發布，其成份股為市場中市場代表性好，流動性高，交易活躍的主流投資股票，能夠反映市場主流投資的收益情況。眾多證券投資基金以滬深300指數為業績基準，因此對滬深300指數收益情況研究顯得尤為重要，可為投資管理提供參考。
取滬深300指數交易日收盤價計算日收益率，可按區間將日收益率分為不同的狀態，則日收益率時間序列可視為狀態的變化序列，從而可以嘗試採用馬爾可夫鏈模型進行處理。馬爾可夫鏈模型在證券市場的應用已取得了不少成果。參考文獻[1]、[2]、[3]和[4]的研究比較類似，均以上證綜合指數的日收盤價為對象，按漲、平和跌劃分狀態，取得了一定的成果。但只取了40～45個交易日的數據進行分析，歷史數據過少且狀態劃分較為粗糙。參考文獻[5]和[6]以上證綜合指數周價格為對象，考察指數在的所定義區間（狀態）的概率，然其狀態偏少（分別只有6個和5個狀態），區間跨度較大，所得結果實際參考價值有限。參考文獻[7]對單只股票按股票價格劃分狀態，也取得了一定成果。
然而收益率是證券市場研究得更多的對象。本文以滬深300指數日收益率為對考察對象進行深入研究，採用matlab7.1作為計算工具，對較多狀態和歷史數據進行了處理，得出了滬深300指數日收益率概率分布，並對日收益率的變化進行了預測。
2 馬爾可夫鏈模型方法
2.1 馬爾可夫鏈的定義
設有隨機過程{Xt，t∈T}，T是離散的時間集合，即T={0，1，2，L}，其相應Xt可能取值的全體組成狀態空間是離散的狀態集I={i0，i1，i2，L}，若對於任意的整數t∈T和任意的i0，i1，L，it+1∈I，條件概率則稱{Xt，t∈T}為馬爾可夫鏈，簡稱馬氏鏈。馬爾可夫鏈的馬氏性的數學表達式如下：
P{Xn+1=in+1|X0=i0，X1=i1，L，Xn=in}=P{Xn+1=in+1|Xn=in} （1）
2.2 系統狀態概率矩陣估計
馬爾可夫鏈模型方法的基本內容之一是系統狀態的轉移概率矩陣估算。估算系統狀態的概率轉移矩陣一般有主觀概率法和統計估演算法兩種方法。主觀概率法一般是在缺乏歷史統計資料或資料不全的情況下使用。本文採用統計估演算法，其主要過程如下：假定系統有m種狀態S1，S2，L，Sm根據系統的狀態轉移的歷史記錄，可得到表1的統計表格。其中nij表示在考察的歷史數據范圍內系統由狀態i一步轉移到狀態j的次數，以■ij表示系統由狀態i一步轉移到狀態的轉移概率估計量，則由表1的歷史統計數據得到■ij的估計值和狀態的轉移概率矩陣P如下：
■ij=nij■nik，P=p11 K p1mM O Mpm1 L pmn（2）
2.3 馬氏性檢驗
隨機過程{Xt，t∈T}是否為馬爾可夫鏈關鍵是檢驗其馬氏性，可採用χ2統計量來檢驗。其步驟如下：（nij）m×m的第j列之和除以各行各列的總和所得到的值記為■.j，即：
■.j=■nij■■nik，且■ij=nij■nik（3）
當m較大時，統計量服從自由度為（m-1）2的χ2分布。選定置信度α，查表得χ2α（（m-1）2），如果■2>χ2α（（m-1）2），則可認為{Xt，t∈T}符合馬氏性，否則認為不是馬爾可夫鏈。
■2=2■■nijlog■ij■.j（4）
2.4 馬爾可夫鏈性質
定義了狀態空間和狀態的轉移概率矩陣P，也就構建了馬爾可夫鏈模型。記Pt（0）為初始概率向量，PT（n）為馬爾可夫鏈時刻的絕對概率向量，P（n）為馬爾可夫鏈的n步轉移概率矩陣，則有如下定理：
P（n）=PnPT（n）=PT（0）P（n）（5）
可對馬爾可夫鏈的狀態進行分類和狀態空間分解，從而考察該馬爾可夫鏈模型的不可約閉集、周期性和遍歷性。馬爾可夫鏈的平穩分布有定理不可約、非周期馬爾可夫鏈是正常返的充要條件是存在平穩分布；有限狀態的不可約、非周期馬爾可夫鏈必定存在平穩過程。
3 馬爾可夫鏈模型方法應用
3.1 觀測值的描述和狀態劃分
取滬深300指數從2005年1月4日~2007年4月20日共555個交易日收盤價計算日收益率（未考慮分紅），將日收益率乘以100並記為Ri，仍稱為日收益率。計算公式為：
Ri=（Pi-Pi-1）×100/Pi-1（6）
其中，Pi為日收盤價。
滬深300指數運行比較平穩，在考察的歷史數據范圍內日收益率有98.38％在[-4.5，4.5]。可將此范圍按0.5的間距分為18個區間，將小於-4.5和大於4.5各記1區間，共得到20個區間。根據日收益率所在區間劃分為各個狀態空間，即可得20個狀態（見表2）。
3.2 馬氏性檢驗
採用χ2統計量檢驗隨機過程{Xt，t∈T}是否具有馬氏性。用前述統計估演算法得到頻率矩陣（nij）20×20。
由（3）式和（4）式可得：■.j=■nij■■nik，且■ij=nij■nik，■2=2■■nijlog■ij■.j=446.96，令自由度為k=（m-1）2即k=361，取置信度α=0.01。由於k>45，χ2α（k）不能直接查表獲得，當k充分大時，有：
χ2α（k）≈■（zα+■）2（7）
其中，zα是標准正態分布的上α分位點。查表得z0.01=2.325，故可由（1）、（7）式得，即統計量，隨機過程{Xt，t∈T}符合馬氏性，所得模型是馬爾可夫鏈模型。
3.3 計算轉移概率矩陣及狀態一步轉移
由頻率矩陣（nij）20×20和（1）、（2）式得轉移概率矩陣為P=（Pij）20×20。考察2007年4月20日分時交易數據（9：30~15：30共241個數據），按前述狀態劃分方法將分時交易數據收益率歸於各狀態，並記Ci為屬於狀態i的個數，初始概率向量PT（0）=（p1，p2，L，pt，L，p20），則：
pj=Cj/241，j=1，2，K，20（8）
下一交易日日收益率分布概率PT（0）={p1（1），p2（1），L，pi（1），L，p20（1）}，且有PT（1）-PT（0）p，計算結果如表3所示。
3.4 馬爾可夫鏈遍歷性和平穩分布
可以分析該馬爾可夫鏈的不可約集和周期性，從而進一步考察其平穩分布，然而其分析和求解非常復雜。本文使用matlab7.1採用如下演算法進行求解：將一步轉移概率矩陣P做乘冪運算，當時Pn+1=Pn停止，若n>5 000亦停止運算，返回Pn和n。計算發現當n=48時達到穩定，即有P（∞）=P（48）=P48。考察矩陣P（48）易知：各行數據都相等，不存在數值為0的行和列，且任意一行的行和為1。故該馬爾可夫鏈{Xt，t∈T}只有一個不可約集，具有遍歷性，且存在平穩分布{πj，j∈I}，平穩分布為P（48）任意一行。從以上計算和分析亦可知該馬爾可夫鏈是不可約、非周期的馬爾可夫鏈，存在平穩分布。計算所得平穩分布如表4所示。
3.5 計算結果分析
表3、表4給出了由當日收益率統計出的初始概率向量PT（0），狀態一步預測所得絕對概率向量PT（1）和日收益率平穩分布，由表3和表4綜合可得圖1。可以看出，雖然當日（2007年4月20日）收益率在區間（1.5，4.5）波動且在（2.5，4.5）內的概率達到了0.7261，表明在2007年4月20日，日收益率較高（實際收盤時，日收益率為4.41），但其下一交易日和從長遠來看其日收益率概率分布依然可能在每個區間。這是顯然的，因為日收益率是隨機波動的。
對下一交易日收益率預測（PT（1）），發現在下一交易日收益率小於0的概率為0.4729，大於0的概率為0.5271，即下一交易日收益率大於0的概率相對較高，其中在區間（-2，-1.5）、（0.5，1）和（1，1.5）概率0.2675、0.161和0.1091依次排前三位，也說明下一交易日收益率在（-2，-1.5）的概率會比較高，有一定的風險。
從日收益率長遠情況（平穩分布）來看，其分布類似正態分布但有正的偏度，說明其極具投資潛力。日收益率小於0的概率為0.4107，大於0的概率為0.5893，即日收益率大於0的概率相當的高於其小於0的概率。
4 結語
採用馬爾可夫鏈模型方法可以依據某一交易日收益率情況向對下一交易日進行預測，也可得到從長遠來看其日收益率的概率分布，定量描述了日收益率。通過對滬深300指數日收益率分析和計算，求得滬深300指數日收益率的概率分布，發現滬深300指數日收益率大於0的概率相對較大（從長遠看，達到了0.5893，若考慮分紅此概率還會變大），長期看來滬深300指數表現樂觀。若以滬深300指數構建指數基金再加以調整，可望獲得較好的回報。
筆者亦採用范圍（-5，5）、狀態區間間距為1和范圍（-6，6）、狀態區間間距為2進行運算，其所得結果類似。當採用更大的范圍（如-10，10等）和不同的區間大小進行運算，計算發現若狀態劃分過多，所得模型不易通過馬氏性檢驗，如何更合理的劃分狀態使得到的結果更精確是下一步的研究之一。在後續的工作中，採用ANN考察所得的日收益率預測和實際日收益率的關系也是重要的研究內容。馬爾可夫鏈模型方法也可對上證指數和深證成指數進行類似分析。
參考文獻
1 關麗娟，趙鳴.滬綜指走勢的馬爾可夫鏈模型預測[J].山東行政學院，山東省經濟管理幹部學院學報，2005（4）
2 陳奕余.基於馬爾可夫鏈模型的我國股票指數研究[J].商場現代化（學術研討），2005（2）
3 肖澤磊，盧悉早.基於馬爾可夫鏈系統的上證指數探討[J].科技創業月刊，2005（9）
4 邊廷亮，張潔.運用馬爾可夫鏈模型預測滬綜合指數[J].統計與決策，2004（6）
5 侯永建，周浩.證券市場的隨機過程方法預測[J].商業研究，2003（2）
6 王新蕾.股指馬氏性的檢驗和預測[J].統計與決策，2005（8）
7 張宇山，廖芹.馬爾可夫鏈在股市分析中的若干應用[J].華南理工大學學報（自然科學版），2003（7）
8 馮文權.經濟預測與決策技術[M].武漢：武漢大學出版社，2002
9 劉次華.隨機過程[M].武漢：華中科技大學出版社，2001
10 盛千聚.概率論與數理統計[M].北京：高等教育出版社.1989轉