❶ 有誰能提供「北京大學第五屆數模競賽中上市公司盈利與預測"的論文答案」急 急急急
http://wenku..com/search?word=%B5%AA%D1%F5%BB%AF%CE%EF%B4%DF%BB%AF&lm=0&od=0
嘿嘿……
❷ 股價變化的厚尾性
上海股票市場股價報酬厚尾性(a=1.299344)大於深圳股票市場股價報酬的厚尾性(a=1.485768)。厚尾性越大說明狀態持續性越強,在預測股價趨勢時歷史信息越重要。對投資者來說,能否以及如何從股票市場上獲取最大收益,在一定程度上依賴於投資者對股票市場特性的深刻認識。如果我們接受收益服從穩態分布的假設,那麼就意味著方差將不存在,從而基於方差一協方差的資產選擇理論就必須加以修正,這樣所要選擇的分布就應允許分布具有狹峰特性。雖然許多分布能用於刻劃狹峰、厚尾,但是穩態分布是最適合的,這是由於穩態分布本身所具有的特性所決定的:任何獨立的穩態分布隨機變數的線性組合本身也是一個服從穩態分布隨機變數,一個聯合穩態分布向量的任何分量的線性組合也是穩態的。
你好好看看這篇文章就可以明白
http://time.fe.e.cn/jjwencong/touzi139.htm
❸ 2020年最好的投資不是房子,不是股市一文說明了什麼
能賺錢就是好投資，不是房子，不是股票那說明還有更好的投資方向。
❹ 股票價格波動的特徵--尖峰厚尾性，長期記憶性，集聚性，非對稱性
阿彌陀佛！善哉！善哉？
抱歉！我在股市近十五年了，讀過幾十本股票著作，卻從來沒有聽說過所謂股票價格波動的尖峰厚尾性，長期記憶性，集聚性，非對稱性……。孤陋寡聞呀，實在汗顏。但是對於大學要求我們的學子研究這樣莫名其妙的課題，我也只能嗤之以鼻！
答非所問，十分抱歉！
❺ 股票 風險管理 厚尾性
這個是隨機過程理論中的一個概念。
上大學的時候沒好好學這門課，所以只能說個大概。
厚尾性是相對於正態分布而言的，如果一件事情導致的各種結果的概率是均勻分布的，我們就說這些概率是符合正態分布的，他的圖形想一個以Y軸為中線左右對稱向上突出的曲線，但如果產生各種結果的概率不是均勻分布，而是左右不對稱，某些結果的可能性大，而某些為小，這種特性就是厚尾性。
❻ 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