基于最优滤波方法的我国投资者情绪指数构建的研究及实证分析

摘要

随着大量金融异常现象和非理性行为的出现，传统金融学理论已经不能做出合理解释，学者们开始从新的角度解释金融异常现象，由此逐渐形成了行为金融理论。投资者情绪理论成为行为金融学的重要分支之一，而投资者情绪的测量问题一直是金融学研究的重点和难点之一，投资者情绪与股票收益之间的关系研究也是行是金融学研究的热点。本文研究投资者情绪指数的构建以及其对股票市场收益的影响，对投资者投资股票市场的决策、相关监管部门具有重要的现实参考意义。本文理论意义在于本文将最优滤波方法融入到金融研究当中，以滤波方法构建投资者情绪指数，对投资者情绪理论进行深入研究，对于投资者情绪理论的发展具有一定借鉴作用。 本文对于投资者情绪指标的选取，在众多情绪代表变量中选取了具有代表性的四个代理变量，其中包括:新增投资者开户数、换手率、IPO首日收益率、封闭式基金折价率等变量。本文在IPO首曰收益率与封闭式基金折价率的数据处理中，采用了经过偏度调整的boxplot方法去除异常值并比较其他去除异常值方法。为了使样本数据时间连续，扩大样本范围，采用了三次样条插值方法补充大量缺失数据。对比其他文献中的处理方法提出了新的思路可供参考，本文的方法具有一定的指导意义。 首先本文研究了投资者情绪指数构建方法，分别采用基于EM算法的卡尔曼滤波、基于EM算法的扩展卡尔曼滤波和粒子滤波等三种方法构建投资者情绪指数，为了检验三种方法构建的情绪指数的合理有效性，采用具有稳健性的主成分分析方法构建投资者情绪指数，将四种情绪指数分别进行相关性检验。通过均方根误差比较情绪指数的精确度，再剔除相关宏观经济因素的影响得到非理性投资者情绪指数。其次本文研究了非理性投资者情绪指数与上证指数收益率之间的关系，建立VAR模型，Granger检验、VAR模型参数估计、脉冲响应分析，与上证指数收益率进行实证分析，深入研究了投资者情绪与股票收益之间的关系。 研究结果表明，不同方法构建的投资者情绪指数略有差异，但是四种投资者情绪指数之间存在较高的相关性，情绪指数走势大致相同。因此，基于EM算法的卡尔曼滤波、基于EM算法的扩展卡尔曼滤波以及粒子滤波等三种方法可以用来构建投资者情绪指数，具有一定的稳健性。根据均方根误差值比较分析，粒子滤波构建的投资者情绪指数精确度最高。通过Granger检验，非理性主成分情绪指数与上证指数收益率之间有显著的Granger影响，互为格兰杰因果关系，能够相互作用。而非理性卡尔曼滤波情绪指数、非理性扩展卡尔曼滤波情绪指数、非理性粒子滤波情绪指数不能对上证指数收益率产生Granger影响，仅有上证指数收益率对投资者情绪的单向作用。由于上证指数收益率与非理性投资者情绪指数存在格兰杰因果关系，故可建立VAR模型。通过VAR模型参数估计，研究认为在长期阶段，上证指数收益率与四种非理性投资者情绪指数之间存在显著反向关系，非理性投资者情绪反作用于上证指数收益，能够预测未来股票收益变化，并且非理性投资者情绪指数具有较高的一阶自相关性。通过脉冲响应分析，在短期内，正的股票收益变化会导致非理性投资者情绪高涨，负的股票收益变化会导致非理性投资者情绪低落，但随后又保持乐观情绪。在短期内，悲观的投资者情绪变化将会强烈引起股票收益的负向反应，上证指数收益率与四种非理性投资者情绪指数之间存在正向关系。

目录

声明

摘要

1．绪论

1．1 研究背景及意义

1．1．1 研究背景

1．1．2 研究意义

1．2 研究目标及内容

1．2．2 研究内容

1．3 研究方法

1．4 难点问题与创新之处

1．4．1 难点问题

1．4．2 创新之处

2．国内外研究综述

2．1 投资者情绪定义

2．2 投资者情绪测量方法

2．3 投资者情绪测量指标

2．4 本章小结

3．理论基础

3．1 投资者情绪相关理论基础

3．1．1 行为金融学理论

3．1．2 认知偏差与心理偏差

3．2 EM算法原理及步骤

3．2．2 EM算法步骤

3．3 卡尔曼滤波理论

3．3．1 卡尔曼滤波的一般形式

3．3．2 建立状态空间模型

3．4 扩展卡尔曼滤波理论

3．4．1 扩展卡尔曼滤波的一般形式

3．4．2 建立状态空间模型

3．5 粒子滤波理论

3．5．1 贝叶斯滤波

3．5．2 贝叶斯重要性采样

3．5．3 序贯重要性采样算法

3．5．4 重要密度函数的选择

3．5．5 重采样方法

3．6 本章小结

4．投资者情绪指数构建

4．1 投资者情绪指标变量选取与数据处理

4．1．1 投资者情绪变量选取

4．1．2 数据处理

4．1．3 变量描述性统计

4．1．4 投资者情绪变量的相关性

4．2 卡尔曼滤波的情绪指数构建

4．3 扩展卡尔曼滤波的情绪指数构建

4．4 粒子滤波的情绪指数构建

4．5 剔除宏观因素的投资者情绪指数构建

4．6 本章小结

5．投资者情绪与股票市场

5．1 向量自回归理论

5．2 VAR模型的检验

5．2．2 Granger因果检验

5．3 滞后阶数的确定

5．4 VAR模型参数估计

5．5 脉冲响应分析

5．6 本章小结

6．结论与展望

6．1 结论

6．2 不足之处与展望

参考文献

致谢