❶ 有谁能提供“北京大学第五届数模竞赛中上市公司盈利与预测"的论文答案”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 股价变化的厚尾性
上海股票市场股价报酬厚尾性(a=1.299344)大于深圳股票市场股价报酬的厚尾性(a=1.485768)。厚尾性越大说明状态持续性越强,在预测股价趋势时历史信息越重要。对投资者来说,能否以及如何从股票市场上获取最大收益,在一定程度上依赖于投资者对股票市场特性的深刻认识。如果我们接受收益服从稳态分布的假设,那么就意味着方差将不存在,从而基于方差一协方差的资产选择理论就必须加以修正,这样所要选择的分布就应允许分布具有狭峰特性。虽然许多分布能用于刻划狭峰、厚尾,但是稳态分布是最适合的,这是由于稳态分布本身所具有的特性所决定的:任何独立的稳态分布随机变量的线性组合本身也是一个服从稳态分布随机变量,一个联合稳态分布向量的任何分量的线性组合也是稳态的。
你好好看看这篇文章就可以明白
http://time.fe.e.cn/jjwencong/touzi139.htm
❸ 2020年最好的投资不是房子,不是股市一文说明了什么
能赚钱就是好投资，不是房子，不是股票那说明还有更好的投资方向。
❹ 股票价格波动的特征--尖峰厚尾性，长期记忆性，集聚性，非对称性
阿弥陀佛！善哉！善哉？
抱歉！我在股市近十五年了，读过几十本股票著作，却从来没有听说过所谓股票价格波动的尖峰厚尾性，长期记忆性，集聚性，非对称性……。孤陋寡闻呀，实在汗颜。但是对于大学要求我们的学子研究这样莫名其妙的课题，我也只能嗤之以鼻！
答非所问，十分抱歉！
❺ 股票 风险管理 厚尾性
这个是随机过程理论中的一个概念。
上大学的时候没好好学这门课，所以只能说个大概。
厚尾性是相对于正态分布而言的，如果一件事情导致的各种结果的概率是均匀分布的，我们就说这些概率是符合正态分布的，他的图形想一个以Y轴为中线左右对称向上突出的曲线，但如果产生各种结果的概率不是均匀分布，而是左右不对称，某些结果的可能性大，而某些为小，这种特性就是厚尾性。
❻ 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%的显著性水平上的临界值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%的显著水平下拒绝原假设，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著性水平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