导读:本文包含了股指收益波动性论文开题报告文献综述及选题提纲参考文献，主要关键词:股指期货,非对称性,Garch类模型,VaR
股指收益波动性论文文献综述
张钊[1]（2018）在《中国股指期货收益波动非对称性研究》一文中研究指出本文主要研究了中国当前金融市场中已有的叁种股指期货:沪深300、中证500以及上证50股指期货日收益率波动所体现的非对称性。通俗地说,收益率波动的非对称性是指利好消息或者利空消息对收益率波动大小所造成的不对称现象。起初关于非对称性的研究大部分集中在股票市场,例如Christie(1982)[8]研究发现股票当期收益率与未来波动率之间存在负相关关系。他认为在其他情况相同时,股价上升收益率增大,公司市值升高进而公司的债务/资产比例下降,投资者持股风险会随之下降;同理当股价下跌时,会造成上市公司杠杆率上升,投资者理论上面临更大的投资风险,因此非对称性又称为杠杆效应。关于股指期货市场的研究多集中在国外成熟市场,对于中国本土股指期货的研究主要是相对较少,赖文炜、陈云(2015)[33]运用GJRGARCH模型,研究了我国沪深300股指期货主力合约的非对称性,并且与标普500股指期货做了对比,发现就沪深300股指期货而言,我国股指期货市场非对称性相对较弱。本文仍然使用GARCH模型建模的方法,但尽可能采用多种非对称GARCH类模型来研究,对当前中国金融市场上的叁种股指期货日收益波动率建模来分析研究其非对称性,并结合中国金融市场做出合理的解释。本文分两部分展开研究:第一部分利用Garch类模型对股指期货日收益率进行建模,检验验证沪深300、中证500以及上证50叁种股指期货是否有波动非对称性现象。第二部分基于VaR-Garch类模型对叁种股指期货日收益在险值进行比对,检验收益波动的非对称性能否提高VaR预测的准确性。第一部分,首先对叁种股指期货的日收益率进行平稳性检验,结果显示平稳。随后依次对叁种股指期货进行ARCH效应检验,发现沪深300股指期货、中证500以及上证50股指期货均存在条件异方差性。运用Garch、Tarch、Egarch以及Parch模型分别对叁种股指期货建模,从参数估计结果发现:沪深300股指期货在2014年10月27号至2018年1月26号存在明显的反杠杆效应,即利好消息对波动的影响大于利空消息;中证500股指期货自2015年4月16日上市以来表现出明显的杠杆效应;而上证50股指期货并没有表现出杠杆效应;第二部分主要检验非对称性冲击是否能提高VaR预测准确性。因期货市场可以做多或者做空,本文同时考虑到多头和空头双方的投资组合并进行在险值预测。通过LR似然比检验,发现非对称的Garch模型预测准确性高于普通Garch模型:沪深300股指期货存在反杠杆效应,空头头寸的VaR预测准确性更高;中证500股指期货由于存在杠杆效应,多头头寸的VaR预测相对更加准确;上证50股指期货由于没有表现出明显的非对称效应,因而其预测准确性与Garch模型一致。(本文来源于《山东大学》期刊2018-04-20）
李博[2]（2017）在《基于高频数据的股指期货收益波动特征及套期保值研究》一文中研究指出近十年来,我国股票以及期货市场发生了较大幅度的波动以及震荡,证券以及期货市场面临的不确定性渐渐增加,正确科学的刻画、度量市场的波动性,正确合理发挥期货等金融衍生品的积极作用对于维护金融市场的稳定具有重要的现实意义。同时近年来依托高频数据研究方法的股指期货市场的套期保值研究发展,取得了重要的进展,进而能够更科学地对冲金融资产的系统风险,提高资产风险管控水平,实现资产组合风险最小化,效益最大化。本文首先结合高频数据对沪深300股指期货市场的基本特征包括跳跃性、长记忆性、不对称性进行探究,并结合沪深300股指期货市场的这些基本特征建立与之相适应的波动率预测模型。随后综合国内外套期保值研究的动态二元套期保值模型,并结合基于高频数据的已实现波动率以及Copula理论进行拓展,比较分析各个不同模型的套期保值效果。得到结论如下:第一,对沪深300股指期货市场当月连续指数5分钟高频数据进行分析,发现沪深300股指期货市场收益波动率存在明显的尖峰厚尾和集聚特征。并发现沪深300股指期货市场的日内5分钟收益率不存在长记忆性,但是日度收益率以及已实现波动率存在显着的长记忆性。第二,发现沪深300股指期货市场收益波动率存在显着地跳跃性特征,并通过两种不同跳跃性检验方法得到沪深300股指期货市场发生跳跃性的比例约为21.5%。并发现2016年沪深300股指期货无论是从发生的跳跃比例或跳跃方差贡献比例都显着大于其他年份。第叁,通过Realized-EGARCH对沪深300股指期货5分钟高频数据进行分析,发现沪深300股指期货市场存在微弱的杠杆效应,并发现沪深300股指市场不对称性强于沪深300股指期货市场。第四,通过比较分析得到,考虑收益波动率长记忆性、跳跃性、不对称性等基本特征的LHAR-RV-CJ模型的波动率预测效果要显着高于其他模型。第五,分别建立二元DCC-GARCH模型、引入已实现波动率的DCC-Realized-GARCH,以及引入 Copula 理论的 Copula-DCC-GARCH 模型和Copula-DCC-Realized-GARCH模型进行动态套期保值。发现在样本内测试时,基于Copula理论的模型能够提高方差减少比率,提高套期保值效率。并发现基于Copula理论模型有较小套期保值比率,即在相同方差减少比率的情况下,能够有较小的对冲风险和资金成本。同时发现在市场行情上涨时,基于Copula理论的模型能够有较好的盈利效果。但在市场行情下滑时,基于Copula理论的模型在资产保值方面效果较弱。第六,基于已实现波动率的Realized模型计算得到的套期保值比率呈现锯齿状,方差更大,波动性更加强烈,模型套期保值的方差减少比率效果较弱。同时基于资产组合收益率的比较发现,当市场发生亏损时,基于已实现波动率的Realized模型有更大的平均收益率,即Realized套期保值模型有更好的止损效果。(本文来源于《东北财经大学》期刊2017-10-01）
王培[3]（2015）在《机构投资者异质信念对我国股指收益及波动性的影响》一文中研究指出标准金融理论的关键假定之一就是市场参与者具有同质信念,即所有的投资者对于风险资产未来收益具有相同的预期。与同质信念的假设相悖,异质信念(Heterogeneous Beliefs)是指投资者对未来风险资产的价格存在的不同预期,一般以投资者对于相同持有期的风险资产的期望收益率或者期望方差来衡量。国内外学者的大量研究和我国证券市场近十几年发展的经验证据都表明市场上确实存在着显着的投资者信念的异质性,且对证券市场资产价格和风险都产生了深远的影响。而机构投资者作为我国资本市场上愈发壮大的一股力量,相比个人投资者更具投资规模和决策能力,他们的投资行为对整个市场的投资方向都具有很强的引导作用,因此其信念变动对股市收益的影响自然不言而喻。本文通过对噪音交易模型(DSSW模型)的改进,构造了一个基于股利过程和异质信念的资本市场均衡模型。理论模型的主要结论如下:(1)投资者异质信念是影响风险资产价格的系统性因子,投资者信念的差异性越大,对风险资产价格的影响越大,且影响存在显着的同向性;(2)投资者异质信念的变动越剧烈,将导致风险资产价格的波动越发剧烈;(3)投资者对未来股价估计的不确定性越高,将导致当期风险资产价格下降,使投资者预期收益增加,从而使所谓的“噪音交易者”有了长期存在的生存资本。实证部分选取了短期和中期好淡指数作为机构投资者异质信念的代理变量,同时选取了上证综指、中证100指数和中证500指数分别表征我国整体股市状况、大盘股市场和小盘股市场的收益情况,以GARCH-M(1,1)模型具体研究了不同时间跨度的机构投资者异质信念对不同类型的股指收益的作用。模型结果表明:(1)机构投资者异质信念与当期股指收益存在正向的影响,但是在未来这种较高的收益将得到修正;(2)无论是哪种类型的股票指数,其收益对于机构投资者短期信念的变动都更为敏感;(3)机构投资者异质信念程度的增大显着放大了大盘股市场的股指波动,并且市场因此得到了风险补偿,但是前者对市场总体以及小盘股市场收益波动的影响并不十分显着;(4)机构投资者异质信念的程度对于不同规模和不同类型的股票市场的影响存在显着差异,其中小盘股的收益受机构投资者异质信念程度的影响最大。因此,监管机构应灵活采取各项政策来进一步规范市场,逐步促进信息披露的规范化、金融体制的市场化以及机构投资者行为的合理化。(本文来源于《华东政法大学》期刊2015-04-12）
龙慧祯,佟烨[4]（2015）在《我国股指期货收益波动预警的实证分析》一文中研究指出本文介绍了股指期货概念及MS-GARCH模型,选择沪深300指数期货从2011年4月16日到2014年7月22日的样本数据,利用MS-GARCH模型进行实证分析,对其对数收益率波动预警序列不符合正态假定,通过模型结果显示,其在收益率序列的波动预警特征上有更强的说服力和解释力。(本文来源于《中国市场》期刊2015年08期）
苏海潭[5]（2013）在《股指收益波动的非线性与异方差性》一文中研究指出Campbell和Mackinlay(1997年)提出,许多经济行为都不是线性的,他们认为信息的不对称、信息的缺乏和市场的不完善性和市场微观结构的特征导致了对新信息的滞后反应,从而导致了在股票价格变化中的非线性,同时Hsieh(2003年)发现股票收益呈现出了非线性依赖以及条件异方差可以解释其非线性。2008年中国的股市的崩盘吸引了很多学者对股票市场进行深入分析,通过分析股票收益的风险性和不确定性的敏感程度来达到对股票市场的一个预期,帮助投资者更加理性的进行投资,现代投资理论认为投资者应该基于风险程度和不确定性做出投资决策。如何对股票收益波动率进行准确的描述与预测?近年来伴随着金融风暴的再次冲击而重新上升为金融学领域探讨的热点问题。投资者通过掌握股票收益波动率的特征及趋势来达到对股票市场中风险的测度、规避和管理帮助更好的进行投资。因此,掌握股票收益波动率的特征及趋势具有极其重要的理论和实际意义。本文研究了中国股票收益的非对称性和股票收益波动的异方差性。本文进一步的分析了股票收益、条件方差以及标准残差之问的关系。本文选取了2002年到2012年的沪深300指数、上证指数和深成指数日开盘价格和收盘价格作为研究数据,选用了Liung-Box统计指标检验了股票收益的自相关性,同时通过GARCH模型和TAR-GARCH(1-1)模型分别检验了股票收益的异方差性和股票收益的非对称性。本文的研究结果阐述了现阶段我国股票收益存在着非线性、异方差效应以及非对称性。同时也发现股票收益与条件波动之间没有相关性,但是股票收益与标准残差之间存在着显着地正相关性。这些发现为现代投资理论引入了一个关键的元素,即投资者应根据其预期波动来调整他们的投资决策,然而事实上,他们更趋向在承担非预期波动同时收到额外的风险报酬。本文引入了稳健性检验来对条件方差进行检验,同时研究了利好消息和利空消息的非对称影响。到目前为止,国内利用AR模型、GARCH模型、EGARCH模型来解决实际问题的文献有很多,但在运用到我们股票市场的模型却为数不多,特别是用TAR-GARCH模型,并且在选取数据方面,绝大多数文献均是选取上证指数、深成指数或者是单独的创业板指数、中小板指数,但是这些并不能反映整个市场的走势,而本文选取的是沪深300指数、上证指数和深成指数作为数据来源,本文试图通过衡量其非线性进而测算异方差对股票市场波动的影响。本文同时检验了波动的非对称性。实证结果指出了在预测中国股票市场收益的条件波动中GARCH (1,1)模型最为合理。本文还发现其波动性明显依赖于历史误差项,即前期收益和波动的非预期上升和下降对波动性影响显着。这是因为历史时期的股票收益和波动的非预期上升和下降共同影响了投资者行为,从而影响了他们的投资决策。本文同时发现利好和利空消息对股票市场波动的影响具有非对称性。股票收益和非预期波动之间的显着正相关性表明投资者在股票收益非预期的上升和下降阶段得到风险补偿。预期波动理论建议投资者根据他们的预期波动调整他们的投资组合,本文研究结果表明股票收益和预期波动之间存在正相关关系,但非预期波动对股票收益的影响更大。我国股票市场上“跟风"现象严重,市场投资者的投资和风险理念还很不成熟。当市场运行并不具备有效性,信息传递存在极大障碍和代价时,政府的市场干预便具备合理的经济学基础。因此,在我国股市发展的初期阶段,就必须特别强调政府对股市政策的建立与操作,避免出现股价过度波动和资源无效分配以及可能产生的金融恐慌与危机。股市监管的重点应该放在保护投资者利益,健全完善信息批露制度,保证信息公平获取权,惩处内幕信息内幕交易虚假陈述等行为,促使信息在股市迅速准确对称流动,促进股市稳健的发育与完善,同时投资者也应加强自身学习,提高自身素质,尽量做到合理有效投资。(本文来源于《广西师范大学》期刊2013-04-01）
孙小冬[6]（2011）在《中国股市股指收益结构性变点与波动性建模》一文中研究指出中国股市仅有20年历史,由于市场机制不完善、法制建设滞后以及投资者心理不成熟等原因,它易受外界因素影响而呈现较大波动。因此,对其波动的深入研究显得尤为重要,不少学者针对股票指数收益率进行波动性建模。波动性建模的发展主要经历了叁个阶段:早期的同方差假设下的传统计量模型,后来的自回归条件异方差(ARCH)模型和随机波动(SV)模型,以及新近发展针对高频数据的非参数模型。目前应用最广的仍是(G)ARCH类模型,但在实际应用中还可以与时间序列结构性变点结合在一起考虑。在此基础上,本文使用带结构性变点虚拟变量的GARCH类模型对自1996年12月16日至2010年5月31日上证指数、深证成指收益序列进行拟合。内容主要从两个方面展开:一是使用ICSS算法检测样本期间两个指数收益序列的方差结构性变点,该算法的实质是利用一系列迭代残差构造合适的统计量,事先模拟其分布及临界值,之后对序列作假设检验,从而检测出符合要求的变点。另一方面是把这些结构性变点作为虚拟变量加入GARCH类模型重新拟合,然后比较不同情况下的拟合优度及预测精度,选出最优模型。这里需要考虑的因素还有风险溢价、非对称效应以及扰动项分布等。对样本序列进行实证检验的结果表明,中国股市中部分重大事件使股指收益序列方差形成了结构性变化,考虑这些结构性变点,并将其作为虚拟变量加入EGARCH(1,1)模型的拟合效果相对较好。其中,假定扰动项t分布下的拟合优度最高,但GED分布假设下预测精度更好。这样,进一步的研究便可对资产收益风险价值等作更为精确的度量。(本文来源于《山西财经大学》期刊2011-05-12）
丁岩[7]（2011）在《基于MS模型的我国股指期货收益波动状态预测》一文中研究指出中国大陆从2010年4月开始交易股指期货,无论是使用它进行市场投资,还是对冲和套期保值,一个必须面对的问题就是如何科学地对波动进行预测,本文考虑马尔科夫状态转换模型进行预测,它主要用于研究时间序列的状态转换行为,是刻画时间序列波动行为一种非线性模型,并且已经在国外金融证券市场上广泛应用,而且精度很高。本文使用多种形式的马尔科夫状态单变量转换模型,检验并研究了股指期货市场收益波动率的状态转换性,同时做了样本内的预测。结果发现,中国大陆股指期货的市场具有状态转换特征,两状态模型把期货收益的波动分为高波动和低波动,叁状态的模型把波动分为高波动,中等波动和低波动,其中低波动和高波动的预期持续期较低,平均为1到2天,市场的状态大部分时间处于中等波动状态,平均预期持续期为6到10天,叁状态模型的精确度要明显大于两状态模型的精确度,通过60天和90天滑动样本内预测,发现两状态模型能够准确预测收益率状态成功率最高为57.69%,具有较好的预测效果。MS-GARCH模型把永久性波动和暂时性波动都分为两个状态,永久性低波动持续期最大,暂时性高波动状态持续期最小,暂时性波动分为两个状态说明暂时性冲击即可以对市场造成巨大影响,市场也有可能吸收这种冲击。自回归转换模型(MS-AR)模拟效果比起MS一般模型更加平滑,在自回归模型中,二阶自回归转换模型比一阶自回归模型更加精确描述市场的状态,通过比较它们,我们发现二阶滞后因子在模型中的重要性比一阶滞后因子更大,期货收益状态的转换主要依赖于二阶滞后项,因此股市的波动行为往往受到二阶滞后收益的影响更大。本文同时做了均值转换自回归模型,验证了叁阶以内的两状态和叁状态模型,发现二阶模型的表现最好,叁阶以上的模型效果逐渐降低,最后验证了转移概率随时间变化的均值转换模型,发现标的股票指数收益的波动率是影响转换概率的因素,模型的模拟效果最高,因此中国股指期货市场的波动行为可以使用MS-AR模型进行预测,其他更加复杂的如向量自回归模型本文并未进行检验。MS-AR(2)两状态模型样本内方向预测准确率最高,其中基于90个数据的滑动预测成功率大约是2/3,两状态模型的预测效果要好于叁状态模型的效果,发现一般模型就能够验证波动的转换性是本文的创新点,同时对马尔科夫状态转换模型在股指期货的应用提供了思路。(本文来源于《电子科技大学》期刊2011-05-01）
文玉春[8]（2010）在《台湾股指期货收益波动性与交易量、持仓量考察》一文中研究指出采用VAR模型和扩展的GARCH族模型,研究台湾股指期货收益波动性、交易量和持仓量叁者之间的动态关系,同时检验交易量和持仓量在GARCH模型中的预测作用。结果表明:台湾股指期货交易量对收益波动性的直接影响存在着滞后效应,波动性间接地依赖于持仓量的变化,交易量和持仓量之间存在明显的双向因果关系。交易量和持仓量的引入能否有助于基础GARCH模型预测收益波动性取决于样本观测期的选择,从均方误差来看叁个最好的非样本收益波动性预测模型都是扩展后的GARCH变形模型。(本文来源于《商业研究》期刊2010年10期）
杨记军[9]（2003）在《股指收益与波动性——对中国股市的实证研究》一文中研究指出在本文中，我们运用一系列方法对中国沪深股市股指收益序列的波动特征进行了比较全面的实证检验，并得出了一些有价值的结论。首先，在第2章，我们运用Bos和Hoontrakul(2002)的ICSS:MV算法，对股指收益序列进行了结构性突变点测试。我们在这一部分的实证研究表明：(1)作为新兴市场的中国股市，其市场波动的程度与频率明显高于发达市场；(2)深证成份股指数在股市迅速扩容的过程中，其市场指示器的作用越来越弱。相反，上证综合指数市场指示器作用还在一定程度上发挥作用。因此，构建新的且能够较好地反映中国股市基本特征的统一指数是有意义的。(3)不管是新兴市场还是发达市场，其股指收益率序列的均值基本上为常数，波动的原因主要来自于方差。这和现代金融理论研究中将金融资产收益率序列的均值视为常数，以及认为方差呈变动趋势的观点一致。我们的研究对此提供了另外一种经验支持。(4)希望借助市场股指收益序列的结构性突变点的测量，来对股市进行一般宏观意义上的阶段划分，还欠合理。因为，不管是新兴市场还是发达市场，其均值和方差发生结构性变化的点太多。(5)中国股市自实行涨停板制度后，股市波动明显趋于合理。其次，在第3章，我们主要采用Glosten,Jagannathan和Runkle(1993)等人提出的非对称的TGARCH(Threshold GARCH)模型对市场指数的日收益数据进行了波动特征的拟合检验。我们在此部分的实证结果表明，中国股市股指收益序列存在和发达市场一样的诸如尖峰态分布、波动聚集、杠杆效应等波动特征。针对国内一些研究者在其研究中得出的中国股市的波动非对称性中存在的对正冲击(好消息)大于负冲击(坏消息)的经验结论，我们认为，主要原因是由于样本期间的选择导致了这种相反的结论。最后，在第4章，检验。期的、综指。我们对上证综合指数与深证成份股指数之间的日收益率数据进行了协整我们的经验证据表明:(l)上证综指和深证成指相互影响.并且具有长正相关的稳定关系:(2)短期的波动对市场的影响较大，特别是对上证(本文来源于《四川大学》期刊2003-05-06）
股指收益波动性论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
近十年来,我国股票以及期货市场发生了较大幅度的波动以及震荡,证券以及期货市场面临的不确定性渐渐增加,正确科学的刻画、度量市场的波动性,正确合理发挥期货等金融衍生品的积极作用对于维护金融市场的稳定具有重要的现实意义。同时近年来依托高频数据研究方法的股指期货市场的套期保值研究发展,取得了重要的进展,进而能够更科学地对冲金融资产的系统风险,提高资产风险管控水平,实现资产组合风险最小化,效益最大化。本文首先结合高频数据对沪深300股指期货市场的基本特征包括跳跃性、长记忆性、不对称性进行探究,并结合沪深300股指期货市场的这些基本特征建立与之相适应的波动率预测模型。随后综合国内外套期保值研究的动态二元套期保值模型,并结合基于高频数据的已实现波动率以及Copula理论进行拓展,比较分析各个不同模型的套期保值效果。得到结论如下:第一,对沪深300股指期货市场当月连续指数5分钟高频数据进行分析,发现沪深300股指期货市场收益波动率存在明显的尖峰厚尾和集聚特征。并发现沪深300股指期货市场的日内5分钟收益率不存在长记忆性,但是日度收益率以及已实现波动率存在显着的长记忆性。第二,发现沪深300股指期货市场收益波动率存在显着地跳跃性特征,并通过两种不同跳跃性检验方法得到沪深300股指期货市场发生跳跃性的比例约为21.5%。并发现2016年沪深300股指期货无论是从发生的跳跃比例或跳跃方差贡献比例都显着大于其他年份。第叁,通过Realized-EGARCH对沪深300股指期货5分钟高频数据进行分析,发现沪深300股指期货市场存在微弱的杠杆效应,并发现沪深300股指市场不对称性强于沪深300股指期货市场。第四,通过比较分析得到,考虑收益波动率长记忆性、跳跃性、不对称性等基本特征的LHAR-RV-CJ模型的波动率预测效果要显着高于其他模型。第五,分别建立二元DCC-GARCH模型、引入已实现波动率的DCC-Realized-GARCH,以及引入 Copula 理论的 Copula-DCC-GARCH 模型和Copula-DCC-Realized-GARCH模型进行动态套期保值。发现在样本内测试时,基于Copula理论的模型能够提高方差减少比率,提高套期保值效率。并发现基于Copula理论模型有较小套期保值比率,即在相同方差减少比率的情况下,能够有较小的对冲风险和资金成本。同时发现在市场行情上涨时,基于Copula理论的模型能够有较好的盈利效果。但在市场行情下滑时,基于Copula理论的模型在资产保值方面效果较弱。第六,基于已实现波动率的Realized模型计算得到的套期保值比率呈现锯齿状,方差更大,波动性更加强烈,模型套期保值的方差减少比率效果较弱。同时基于资产组合收益率的比较发现,当市场发生亏损时,基于已实现波动率的Realized模型有更大的平均收益率,即Realized套期保值模型有更好的止损效果。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
股指收益波动性论文参考文献
[1].张钊.中国股指期货收益波动非对称性研究[D].山东大学.2018
[2].李博.基于高频数据的股指期货收益波动特征及套期保值研究[D].东北财经大学.2017
[3].王培.机构投资者异质信念对我国股指收益及波动性的影响[D].华东政法大学.2015
[4].龙慧祯,佟烨.我国股指期货收益波动预警的实证分析[J].中国市场.2015
[5].苏海潭.股指收益波动的非线性与异方差性[D].广西师范大学.2013
[6].孙小冬.中国股市股指收益结构性变点与波动性建模[D].山西财经大学.2011
[7].丁岩.基于MS模型的我国股指期货收益波动状态预测[D].电子科技大学.2011
[8].文玉春.台湾股指期货收益波动性与交易量、持仓量考察[J].商业研究.2010
[9].杨记军.股指收益与波动性——对中国股市的实证研究[D].四川大学.2003