中国股票收益率厚尾

㈠ 股票收益率和上证综合指数收益率

股票收益率股票收益率指投资于股票所获得的收益总额与原始投资额的比率。股票得到投资者的青睐，是因为购买股票所带来的收益。股票的绝对收益率就是股息，相对收益就是股票收益率。
股票收益率＝收益额／原始投资额
其中：收益额＝收回投资额+全部股利-(原始投资额+全部佣金+税款)
当股票未出卖时，收益额即为股利。
衡量股票投资收益水平的指标主要有股利收益率、持有期收益率和拆股后持有期收益率等。
1．股利收益率
股利收益率，又称获利率，是指股份公司以现金形式派发的股息或红利与股票市场价格的比率其计算公式为：
该收益率可用于计算已得的股利收益率，也可用于预测未来可能的股利收益率。
2．持有期收益率
持有期收益率指投资者持有股票期间的股息收入与买卖差价之和与股票买入价的比率。其计算公式为：
股票没有到期日，投资者持有股票的时间短则几天，长则数年，持有期收益率就是反映投资者在一定的持有期内的全部股利收入和资本利得占投资本金的比重。持有期收益率是投资者最关心的指标，但如果要将它与债券收益率、银行利率等其他金融资产的收益率作比较，须注意时间的可比性，即要将持有期收益率转化为年率。
3．持有期回收率
持有期回收率是指投资者持有股票期间的现金股利收入与股票卖出价之和与股票买入价的比率。该指标主要反映投资回收情况，如果投资者买入股票后股价下跌或是操作不当，均有可能出现股票卖出价低于买入价，甚至出现持有期收益率为负值的情况，此时，持有期回收率可作为持有期收益率的补充指标，计算投资本金的回收比率。其计算公式为：
4．拆股后的持有期收益率
投资者在买入股票后，在该股份公司发放股票股利或进行股票分割（即拆股）的情况下，股票的市场的市场价格和投资者持股数量都会发生变化。因此，有必要在拆股后对股票价格和股票数量作相应调整，以计算拆股后的持有期收益率。其计算公式为：
上证综合指数收益率分布具有尖峰和厚尾的特性，实际中指数收益率服从正态分布的假设是不合理的。用能反映尖峰厚尾特征的t分布进行拟合。得出上证综合指数收益率符合t3分布.比较复杂

㈡ 度量风险的指标有哪些

度量风险的指标种类：

1. 敏感性指标，用于衡量资产价值对某一风险因子的敏感性。如β值，衡量单一股票或股票组合对市场指数(标普500、沪深300)的敏感性，敏感性指标的一个缺点是，无法知道对整体的绝对影响；

2. 波动性指标，用以衡量资产收益率相对于资产期望收益率的偏离程度，常用标准差(σ)度量，标准差表示各观测值偏离于均值距离的平均数。与标准差相关联的一个概念是相关系数(ρ)，用以衡量两个变量(a和b)线性相关的密切程度，其值介于-1至1之间，ρ=1表示变量a和b完全同方向变动，ρ=-1表示变量a和b完全反方向变动，ρ=0表示变量a和b无相关性，无法从a的变动推知b的变动；

3. 概率类指标，用以衡量某一结果发生可能性大小的度量。风险与损失虽然存在密切的关系，但概率在其中扮演着重要的角色，某一损失虽然很大，但发生的概率却非常低，则该损失的期望损失将很低，从而该损失的实际风险可能并没有表象上那么大；

4. 综合类指标，将概率、损失、对整体的绝对影响统一考量的指标，这类指标的典型代表是VAR，它表示在一定概率下的最大可能损失是多少，克服了上述三类指标单独考量风险某一维度的缺陷。同时，由于VAR表示的损失值的大小，相对敏感性指标而言，VAR提供了一个对不同资产风险的统一考量，具有可加总的优越性。

   
   

(2)中国股票收益率厚尾扩展阅读：

标准差来表示风险不太符合实务需求，大部分波动的观念植基于风险为对称的假设，但这种假设不仅在学术界仍有争议，而且不符合实务上重视负面损失的表达。

例如由2楼坠地和20楼坠地的可能结果，就波动而言，前者通常大于后者(2楼坠地可能无事、轻伤、重伤或死亡，20楼坠地基本不死也重伤)，但就对风险的认知来看，后者的风险是较大的。

风险衡量指衡量外汇风险带来潜在损失的概率和损失程度。风险的数学表达：

对于风险，理论上还没有统一的定义。风险都是源自未来事件的不确定性，从数学角度看，它表明的是各种结果发生的可能性。在公司金融学中，研究风险是为了研究投资的风险补偿，对风险的数学度量，是以投资（资产）的实际收益率与期望收益率的离散程度来表示的。最常见的度量指标是方差和标准差。

㈢ 股票走势是无规律的吗，为什么老是判断错

影响股票走势的原因：公司的好坏，财务状况的稳定，近期有无消息，是不是政策扶持，有没有哪家基金或券商买入，市面流通有多少，个人是否愿意买，当前股票处于什么状态等等
走势是根据这些因素走出来的，很难找到规律

㈣ 金融数据的尖峰厚尾特征是什么意思

金融数据的尖峰厚尾特征是相比较标准正态分布来说的，标准正态分布的偏度为0，峰度为3，通常做实证分析时，会假设金融数据为正态分布，这样方便建模分析。

但是实证表明，很多数据并不符合正态分布，而更像尖峰厚尾，就是峰度比3大，两边的尾巴比正态分布厚，没有下降得这么快。

厚尾分布主要是出现在金融数据中，例如证券的收益率。 从图形上说，较正态分布图的尾部要厚，峰处要尖。

直观些说，就是这些数据出现极端值的概率要比正态分布数据出现极端值的概率大。因此，不能简单的用正态分布去拟合这些数据的分布，从而做一些统计推断。一般来说，通过实证分析发现，自由度为5或6的t分布拟合的较好。

(4)中国股票收益率厚尾扩展阅读：

基金收益率不服从正态分布，存在显着的尖峰厚尾特性，我国基金市场还不是有效市场。人民币汇率收益率波动有集群性效应，不符合正态分布，有尖峰厚尾的特点。结果表明稳定分布能更好的拟和中国股票收益率的实际分布，稳定分布较好的处理中国股票市场中的“尖峰尾”现象。

但很多资本市场上的现象无法用EMH解释，如证券收益的尖峰厚尾，证券市场的突然崩溃，股价序列的长期记忆性等。对期货价格数据进行统计分析，发现期货价格具有“尖峰厚尾”特性。实证结果表明：我国股价波动具有尖峰厚尾特征、异方差性特征和波动的持续性和非对称特征。

而股票市场的收益率从分布的角度看，并不服从标准的正态分布，而是呈现出一种“尖峰、厚尾”的特征。

㈤ 波动聚类（volatility clustering）

经典资本市场理论在描述股票市场收益率变化时，所采用的计量模型一般都假定收益率方差保持不变。这一模型符合金融市场中有效市场理论，运用简便，常用来预测和估算股票价格。但对金融数据的大量实证研究表明，有些假设不甚合理。一些金融时间序列常常会出现某一特征的值成群出现的现象。如对股票收益率建模，其随机搅动项往往在较大幅度波动后面伴随着较大幅度的波动，在较小波动幅度后面紧接着较小幅度的波动，这种性质称为波动率聚类(volatility clustering)。该现象的出现源于外部冲击对股价波动的持续性影响，在收益率的分布上则表现为出尖峰厚尾（fattails）的特征。

㈥ 如何用GARCH(1,1)求股票的具体波动率数据

以哈飞股份(600038)为例，运用GARCH（1,1）模型计算股票市场价值的波动率。

GARCH（1,1）模型为：

(1)

(2)

其中， 为回报系数， 为滞后系数， 和 均大于或等于0。

（1）式给出的均值方程是一个带有误差项的外生变量的函数。由于是以前面信息为基础的一期向前预测方差，所以称为条件均值方程。

（2）式给出的方程中： 为常数项， （ARCH项）为用均值方程的残差平方的滞后项， （GARCH项）为上一期的预测方差。此方程又称条件方差方程，说明时间序列条件方差的变化特征。

通过以下六步进行求解：

本文选取哈飞股份2009年全年的股票日收盘价，采用Eviews 6.0的GARCH工具预测股票收益率波动率。具体计算过程如下：

第一步：计算日对数收益率并对样本的日收益率进行基本统计分析，结果如图1和图2。

日收益率采用JP摩根集团的对数收益率概念，计算如下：

其中Si，Si-1分别为第i日和第i-1日股票收盘价。

图1 日收益率的JB统计图

对图1日收益率的JB统计图进行分析可知：

（1）标准正态分布的K值为3，而该股票的收益率曲线表现出微量峰度（Kurtosis=3.748926>3），分布的凸起程度大于正态分布，说明存在着较为明显的“尖峰厚尾”形态；

（2）偏度值与0有一定的差别，序列分布有长的左拖尾，拒绝均值为零的原假设，不属于正态分布的特征；

（3）该股票的收益率的JB统计量大于5%的显着性水平上的临界值5.99，所以可以拒绝其收益分布正态的假设，并初步认定其收益分布呈现“厚尾”特征。

以上分析证明，该股票收益率呈现出非正态的“尖峰厚尾”分布特征，因此利用GARCH模型来对波动率进行拟合具有合理性。

第二步：检验收益序列平稳性

在进行时间序列分析之前，必须先确定其平稳性。从图2日收益序列的路径图来看，有比较明显的大的波动，可以大致判断该序列是一个非平稳时间序列。这还需要严格的统计检验方法来验证，目前流行也是最为普遍应用的检验方法是单位根检验，鉴于ADF有更好的性能，故本文采用ADF方法检验序列的平稳性。

从表1可以看出，检验t统计量的绝对值均大于1%、5％和10%标准下的临界值的绝对值，因此，序列在1%的显着水平下拒绝原假设，不存在单位根，是平稳序列，所以利用GARCH（1,1）模型进行检验是有效的。

图2 日收益序列图

表1ADF单位根检验结果

第三步：检验收益序列相关性

收益序列的自相关函数ACF和偏自相关函数PACF以及Ljung-Box-Pierce Q检验的结果如表3（滞后阶数 =15）。从表4.3可以看出，在大部分时滞上，日收益率序列的自相关函数和偏自相关函数值都很小，均小于0.1，表明收益率序列并不具有自相关性，因此，不需要引入自相关性的描述部分。Ljung-Box-Pierce Q检验的结果也说明日收益率序列不存在明显的序列相关性。

表2自相关检验结果

第四步：建立波动性模型

由于哈飞股份收益率序列为平稳序列，且不存在自相关，根据以上结论，建立如下日收益率方程：

(3)

(4)

第五步：对收益率残差进行ARCH检验

平稳序列的条件方差可能是常数值，此时就不必建立GARCH模型。故在建模前应对收益率的残差序列εt进行ARCH检验，考察其是否存在条件异方差，收益序列残差ARCH检验结果如表3。可以发现，在滞后10阶时，ARCH检验的伴随概率小于显着性水平0.05，拒绝原假设，残差序列存在条件异方差。在条件异方差的理论中，滞后项太多的情况下，适宜采用GARCH（1,1）模型替代ARCH模型，这也说明了使用GARCH（1,1）模型的合理性。

表3日收益率残差ARCH检验结果

第六步：估计GARCH模型参数，并检验

建立GARCH（1,1）模型，并得到参数估计和检验结果如表4。其中，RESID(-1)^2表示GARCH模型中的参数α，GARCH（-1）表示GARCH模型中的参数β，根据约束条件α+β<1，有RESID(-1)^2+GARCH（-1）=0.95083＜1，满足约束条件。同时模型中的AIC和SC值比较小，可以认为该模型较好地拟合了数据。

表4日收益率波动率的GARCH（1,1）模型的参数估计

㈦ "由一个具有常数有限无条件均值和方差的平稳随机过程产生的"

（1）式给出的均值方程是一个带有误差项的外生变量的函数。由于是以前面信息为基础的一期向前预测方差，所以称为条件均值方程。

（2）式给出的方程中： 为常数项， （ARCH项）为用均值方程的残差平方的滞后项， （GARCH项）为上一期的预测方差。此方程又称条件方差方程，说明时间序列条件方差的变化特征。

通过以下六步进行求解：

本文选取哈飞股份2009年全年的股票日收盘价，采用Eviews 6.0的GARCH工具预测股票收益率波动率。具体计算过程如下：

第一步：计算日对数收益率并对样本的日收益率进行基本统计分析，结果如图1和图2。

日收益率采用JP摩根集团的对数收益率概念，计算如下：

其中Si，Si-1分别为第i日和第i-1日股票收盘价。

图1 日收益率的JB统计图

对图1日收益率的JB统计图进行分析可知：

（1）标准正态分布的K值为3，而该股票的收益率曲线表现出微量峰度（Kurtosis=3.gt;3），分布的凸起程度大于正态分布，说明存在着较为明显的“尖峰厚尾”形态；

（2）偏度值与0有一定的差别，序列分布有长的左拖尾，拒绝均值为零的原假设，不属于正态分布的特征；

（3）该股票的收益率的JB统计量大于5%的显着性水平上的临界值5.99，所以可以拒绝其收益分布正态的假设，并初步认定其收益分布呈现“厚尾”特征。

以上分析证明，该股票收益率呈现出非正态的“尖峰厚尾”分布特征，因此利用GARCH模型来对波动率进行拟合具有合理性。

第二步：检验收益序列平稳性

在进行时间序列分析之前，必须先确定其平稳性。从图2日收益序列的路径图来看，有比较明显的大的波动，可以大致判断该序列是一个非平稳时间序列。这还需要严格的统计检验方法来验证，目前流行也是最为普遍应用的检验方法是单位根检验，鉴于ADF有更好的性能，故本文采用ADF方法检验序列的平稳性。

从表1可以看出，检验t统计量的绝对值均大于1%、5％和10%标准下的临界值的绝对值，因此，序列在1%的显着水平下拒绝原假设，不存在单位根，是平稳序列，所以利用GARCH（1,1）模型进行检验是有效的。

图2 日收益序列图

表1ADF单位根检验结果

第三步：检验收益序列相关性

收益序列的自相关函数ACF和偏自相关函数PACF以及Ljung-Box-Pierce Q检验的结果如表3（滞后阶数 =15）。从表4.3可以看出，在大部分时滞上，日收益率序列的自相关函数和偏自相关函数值都很小，均小于0.1，表明收益率序列并不具有自相关性，因此，不需要引入自相关性的描述部分。Ljung-Box-Pierce Q检验的结果也说明日收益率序列不存在明显的序列相关性。

表2自相关检验结果

第四步：建立波动性模型

由于哈飞股份收益率序列为平稳序列，且不存在自相关，根据以上结论，建立如下日收益率方程：

(3)

(4)

第五步：对收益率残差进行ARCH检验

平稳序列的条件方差可能是常数值，此时就不必建立GARCH模型。故在建模前应对收益率的残差序列εt进行ARCH检验，考察其是否存在条件异方差，收益序列残差ARCH检验结果如表3。可以发现，在滞后10阶时，ARCH检验的伴随概率小于显着性水平0.05，拒绝原假设，残差序列存在条件异方差。在条件异方差的理论中，滞后项太多的情况下，适宜采用GARCH（1,1）模型替代ARCH模型，这也说明了使用GARCH（1,1）模型的合理性。

表3日收益率残差ARCH检验结果

第六步：估计GARCH模型参数，并检验

建立GARCH（1,1）模型，并得到参数估计和检验结果如表4。其中，RESID(-1)^2表示GARCH模型中的参数α，GARCH（-1）表示GARCH模型中的参数β，根据约束条件α+βlt;1，有RESID(-1)^2+GARCH（-1）=0.95083＜1，满足约束条件。同时模型中的AIC和SC值比较小，可以认为该模型较好地拟合了数据。