研究股市交易量与股价关系的影响.docx

1量化投资比赛题目: 研究股市交易量与股价关系的影响姓名：张达杰、陈堪忠、甘世枭学校：广东石油化工学院 院（系）：理学院 专业年级：2012 级2研究股市交易量与股价关系的影响摘 要本文运用格兰杰因果关系检验和扩展GAECH模型研究保利地产（600048）市场交易量与股票价格之间的关系对过去的数据进行拟合分析，拟合出成交量与价格变化的相关关系，在通过分析成交量与时间变化的自相关关系检验，对已有的数据进行自相关分析，然后同对未来成交量进行预测，进而根据成交量与价格的关系，预测出未来的股票价格关键词：格兰杰因果检验 扩展GAECH模型 成交量 股票价格一、引言证券市场中的量价关系是指证券价格与交易量之间的关系，对量价关系的研究近年来日益受到金融界的重视通过量价关系的研究能够帮助了解金融市场的微观结构，揭示价格波动产生的根源建立了量价关系的简单线性模型 ，根据信息的不对称和流动性的需求是产生信息到达的交易量的原因，把交易量变量加入到GARCH模型的条件方差方程证实了把交易量作为信息流的替代指标对价格波动具有很强的解释能力。

二、研究方法和模型选择首先本文对保利地产（600048）中成交量是否对股票介格产生影响进行了检验如果成交量对股票价格有影响，则成交量和价格两之间存在相关的关系其次本文分析成交量之间的自相关性， 通过分析成交量之间的自相关性，对未来成交量进行预测，进而能够通过模型相关性，对股票价格进行预测，在股票交易中能够较好的对资金管理，达到盈利的目的为检验交易量是否对股价格有预测能力，本文采用：1、格兰杰因果关系检验 其基本思想是 设 X={Xi}, Y= {Yi} 为两个平稳时间序列，如果相对于仅用Y的过去值来预测Y时，X的过去值能用来改进对Y的预测，即如果 X的过去值能统计地改进对Y的预测，则称存在X到Y的格兰杰因果关系 下面是用于检验交易量和股票价格因果关系的自回归模型：对已有数据进行相关的线性检验，拟合成交量X 与股票价格的相关关系，分析之间的模型误差，对模型改进以及是否存在误差的相关关系2 引入交易量变量的扩展 GARCH-M模型本文采用扩展 GARCH(1，1)一M模型 即在一般 GARCH—M 模型的条件方差方程中引入交易量变量模型设定如下：3其中参数满足条件， 反映了成交量相关的持续性。

根据混分布模型， 本文把交易量变量作为信息到达过程的替代变量，使用交易量变动率的原因在于可以保持交易量变量的外生性对股票收益与交易量变动率进行了线性及非线性因果关系的检验，证实交易量变量对股票价格同时存在直接和间接的影响三、数据及初步分析数据1、考虑到涨跌停板制度对股市波动性的影响及A、B股波动特征的差异，本文采用保利地产（600048）指数每日收盘价和成交量数据样本区间为 2014年10月20日至2014年12月 31日，共 41个有效样本数据本文数据均源于中国证券市场研究数据库 (CSMAR)其中X和Y分别表示保利地产（600048）指数的第t日成交量和收盘价，收集数据如下：时间 成交量（万） 成交额（万） 收盘价10 月 20 日 8211 46209 5.6510 月 21 日 8099 45331 5.5910 月 22 日 4306 24333 5.5810 月 23 日 6135 34003 5.5110 月 24 日 3840 21203 5.5210 月 27 日 10651 57127 5.3610 月 28 日 9221 50595 5.5510 月 29 日 11936 67159 5.6610 月 30 日 9255 51877 5.6210 月 31 日 19461 111311 5.7711 月 3 日 17245 100311 5.7611 月 4 日 17444 101520 5.8511 月 5 日 9243 53612 5.7711 月 6 日 12884 75377 5.8211 月 7 日 17150 100307 5.8211 月 10 日 23967 142881 6.0111 月 11 日 30768 188106 6.1311 月 12 日 22751 140855 6.2011 月 13 日 15619 96473 6.1111 月 14 日 14611 88726 6.1211 月 17 日 15727 95264 5.9411 月 18 日 18195 105593 5.7811 月 19 日 10917 62923 5.7711 月 20 日 9169 52809 5.77411 月 21 日 15738 91057 5.8811 月 24 日 65698 417840 6.4711 月 25 日 44980 295347 6.5611 月 26 日 34386 228525 6.6811 月 27 日 33837 226592 6.7811 月 28 日 48427 338407 7.2012 月 1 日 38952 277955 7.0012 月 2 日 39358 279293 7.2012 月 3 日 51271 393274 7.5712 月 4 日 37837 293737 7.9512 月 5 日 43122 325167 7.7212 月 8 日 50001 405929 8.4912 月 9 日 60506 524263 8.2012 月 10 日 38463 323904 8.7012 月 11 日 33147 291103 8.6812 月 12 日 24852 210223 8.3412 月 15 日 26959 213377 7.9712 月 16 日 28202 225672 8.2412 月 17 日 40930 342019 8.4912 月 18 日 29714 25521 8.4012 月 19 日 21298 175806 8.36 通过SAS统计分析，拟合成交量与收盘价的关系:Y=5.38934+0.00004881X;通过异方差分析表看出，大部分的回归误差因子绝对值小于2，说明模型具有较好的拟合度。

但由于线性回归的P值检验小于0.0001，说明方程也有显著的差异Source DF Sum ofSquaresMeanSquareF Value Pr > FModel 1 23.46654 23.46654 35.74 |t|5Parameter EstimatesVariable DF ParameterEstimateStandardErrort Value Pr > |t|Intercept 1 5.38934 0.25136 21.44 ChiSq Autocorrelations6 69.63 6 FZero Mean 0 -2.3851 0.2844 -1.01 0.2774 1 -1.4756 0.3938 -0.72 0.4007 Single Mean 0 -11.5251 0.0720 -2.62 0.0968 3.48 0.21101 -10.3038 0.1012 -2.30 0.1760 2.73 0.3941Trend 0 -20.8475 0.0284 -3.50 0.0534 6.20 0.07381 -23.7384 0.0117 -3.14 0.1106 5.05 0.20617四、扩展 GARCH-M模型估计对估计模型的残差项，残差平方和进行Q检验，结果两序列均不存在自相关．ARCH—LM检验表明残差序列不存在自回归条件异方差，故模型设定是合适的。

为对比波动持续性的变化本文同时给出了未考虑交易量的 GARCH—M模型的参数 估计结果 8表 GARCH模型参数估计结果首先，模型参数Y的估计值为正且在 95％ 置信水平下显著表明在考虑了GARCH效应的情况下交易量和股票价格仍然保持了正向关系这说明保利地产（600048）符合分析关于交易量与价格变动之间的相关关系为正的结论其次，如果混合分布假设成立，则交易量的系数估计值应该显著大于零，作为潜在信息到达过程的替代指标 一定会部分吸收价格波动的持续性由表4知 Y的估计值大于零．且在 95％置信水平下显著 交易量持续性的参数P的估计值 验证了保利地产（600048）的信息传播方式基本符合混合分布假设成立但模型估计结果显示p的系数小于0.001仍很显著 ，说明条件方差的持续性依然显著由此说明保利地产（600048）由交易量代表的信息到达过程只能部分解释成交量自相关的持续性除此之外，还应该存在诸多其他影响波动率持续性的因素The AUTOREG ProcedureDependent Variable YThe AUTOREG ProcedureOrdinary Least Squares EstimatesSSE 49.0707024 DFE 40MSE 1.22677 Root MSE 1.10760SBC 127.433826 AIC 125.720254MAE 0.97195717 AICC 125.822818MAPE 14.377851 HQC 126.3442429Ordinary Least Squares EstimatesDurbin-Watson 0.0514 Regress R-Square 0.0000Total R-Square 0.0000Param。