涨停不停看大盘：为什么我认为深证成指比上证指数更好？
上证指数和深证成指是我们股民看大盘时经常使用的两大指数。生活中，我们与别人讨论股票时，经常用上证指数点位（而不是深证成指点位）来描述股市的涨跌概况。然而，我始终认为，在我们观察大盘、预判大盘后市走向时，深证成指比上证指数更能代表大盘，也更为科学、合理、实用。
为什么我认为深证成指比上证指数更好呢？
一、深证成指的计算方法比上证指数更合理
上证指数采用股票的总股本计算，深证成指采用股票的流通股本计算。我们在股票交易时，买卖的是股票的流通股份，而不是股票的总股本，因此我认为深证成指的计算方法更科学合理。
二、深证成指的股票样本多于上证指数
截止日，上海市场的股票家数共计1062家，深圳市场的股票家数共计1783家。深圳市场的股票数量是上海市场的将近2倍。一个采用更大样本数据计算的指数，显然更能代表与反应股票市场整体的涨跌状况。
三、沪深市场股票的股本差异
我国股票市场上，中国石油这样的超级航母级的大盘股多数集中于上海股票市场。以日收盘价计算，沪深股市流通市值前100名的股票，77家在上海市场，仅23家在深圳市场。沪深市场相比，上海市场大盘股相对较多，而深证市场中小盘股相对较多。此外，深圳市场还有主板、中小板、创业板之分。深证成指相比上证指数，更接近于股票交易市场的真实。
综上所说，涨停不停看大盘，主要使用的是深证成指、中小板指、创业板指三个指数。
现在结合两个指数说下我今天对大盘的判断，更详细内容可查看我发布的微博。
(由于股票软件要随着行情最大涨跌幅调整纵坐标显示空间，因此上午的波动显得极其狭窄)
(由于股票软件要随着行情最大涨跌幅调整纵坐标显示空间，因此上午的波动显得极其狭窄)
9:54~10:14，上证指数红盘上扬，深证成指绿盘下行，两大股票走势背离。那么对接下来的走势，我们是看涨还是看跌呢？由于深证成指更可信，因此我们应根据深证成指预判后市，再结合当时两市股票上涨家数少于下跌家数，我们应看跌后市。深证成指自10:00开始，始终为绿盘，而上证指数从9:50之11:10，基本一直保持红盘。
至于下午盘的触底反弹，我微博中也有预测研判，相关分析在此不展开。
以下为指数的满占坐标，注意与上面普通坐标的区别，主要是让某些人不要以为上午的波动很小。
我上面的观点与方法，肯定有人不予认可。所谓仁者见仁，智者见智，只要你觉得哪个指数好用，你就继续使用得了，实无争议的必要。只要好用，就是好的。
本文由原创，转载请注明出处。
涨停不停博客：
涨停不停微信：
已投稿到：
以上网友发言只代表其个人观点，不代表新浪网的观点或立场。|||||||||||||||||||||||
-(涨:-平:- 跌:-)：- -
-(涨:-平:- 跌:-)
最近访问：
看涨42.07%
看跌54.43%
名称最新价涨跌幅
名称最新价涨跌幅
名称最新价涨跌幅
名称涨跌幅领涨股
名称涨跌幅领跌股
名称涨跌幅领涨股
名称涨跌幅领跌股
主力净流入-
(亿元)流入流出
5日：-20日：-
60日：-今年：-
名称最新价涨跌幅
股票叠加：
深证成指 vs
上证指数深证成指上证B指创业板指
60秒后刷新
名称净流入流入最大股
名称净流入流入最大股
-09-08-09-08-09-08-09-08
上涨盘整下跌
上涨盘整下跌
≥70%30%～70%≤30%
≥70%30%～70%≤30%
22家看多19家看平22家看空
深证成指吧人气用户
影响力 吧龄 2.3年影响力 吧龄 2.6年影响力 吧龄 5.7年影响力 吧龄 3.4年
成交量(万股)
成交金额(亿元)
总市值(亿元)
流通市值(亿元)
上市公司(家)
平均市盈率
沪市19840.522351.60140127.67深市21933.383181.22208763.56中小板9253.201369.9570132.8988777.19创业板5211.14956.6654430.2832055.99685107.67
交易日期市场类别本日融资余额(元)本日融资买入额(元)本日融券余量(元)本日融资融券余额(元)
上海5688.69亿286.50亿36.24亿5724.93亿深圳两市合计
扫一扫下载APP
东方财富产品
关注东方财富
天天基金网
扫一扫下载APP
关注天天基金论文发表、论文指导
周一至周五
9：00&22：00
上证综指深证成指的相关性分析
　　摘要：本文研究了对于给定的4种Copula 模型，通过CML方法进行参数估计，由边缘分布二元直方图与在求出的估计参数下绘制的密度函数图形加以对比分析，再由样本与经验Copula分布进行直观的Q-Q图检验，然后用负对数似然函数值、AIC信息准则进行了拟合优度检验，认为Symmetrised Joe-Clayton copula能够更好的刻画上证指数和深证指数的相依结构。 中国论文网 /3/view-1340808.htm　　关键词：Copula函数；Q-Q图检验；AIC 　　 　　1．引言 　　金融市场之间的相互依赖、相互影响与日俱增,这促进了对金融间相关性如相关程度、协同运动、波动的传导和溢出等问题的研究。经典的线性相关系数是刻画金融市场相关程度的有力工具，但由于金融资产之间的相依结构往往是非线性的以及资产的联合分布往往不是正态分布，其不足便呈现出来，一种全新的相关性度量工具Copula也随之产生。Copula建立了多维随机变量的联合分布与其一维分布的直接关系，可以把复杂的市场风险分解为容易控制的边际风险，能准确地反应出金融市场的相依结构[1]。 　　2．Copula函数理论 　　2．1 Copula函数的类型 　　Nelsen[2]给出了Copula连接函数严格的数学定义。下面介绍Copula函数的主要类型。 　　（1）二元正态Copula函数 　　其中，ρ为相关系数，Φ为标准正态分布函数。 　　（2）二元t-Copula函数 　　其中，R为相关系数，t为服从自由度为 的 分布函数。 　　（3）Clayton Copula 　　阿基米德族Copula的形式由不同的算子生成，不同的算子选择，会产生不同类别的阿基米德族Copula。当算子时，所得的Copula定义为Clayton Copula，形式为： 　　C（u，v）=（u-δ+v-δ-1）-1/δ 　　其中，0＜δ＜+∞。 　　（4）Symmetrised Joe-Clayton copula 　　2．2 Copula函数参数估计方法 　　Copula函数参数估计方法[3]主要有三种：MLE（最大似然估计），IFM（分布估计），CML（半参数估计）。因为CML方法具有良好的统计特性，相对ML，IFM二者而言，可以不依赖于数据的边际分布的设定，不会存在边际分布设置不当而带来估计失误，我们在这里只详细介绍CML。设连续型随机变量X，Y的边缘分布分别是F（x；θ1），G（y；θ2），边缘密度函数分别为f（x；θ1），g（y；θ2），其中θ1，θ2）为边缘分布的未知参数。设选取的Copula分布函数为C（u，v；α），Copula密度函数为，其中α为Copula函数中的未知参数。（Xi，Yi）（i=1，2…，n）为随机样本。于是似然函数为 　　如果用样本经验函数Fn（x），Gn（y）分别来代替边缘分布F（x；θ1），G（y；θ2），则不用估计边缘分布中的参数θ1，θ2，只需估计Copula函数中的参数α：α=lnc[Fn（xi）Gn（yi）；α]。我们把这种参数估计方法称为半参数估计，简称为CML估计。 　　2.3 Copula模型的检验 　　Copula模型的检验[4]可分为两部分：边缘分布模型的检验和Copula函数部分的拟合优度评价。在边际分布的检验中，一元分布模型的检验相对比较成熟，建立的基于序列概率积分变换的密度分布模型的评价方法，适用于Copula模型的边缘分布的检验，即首先对原序列做概率积分变换，然后通过检验变换后的序列是否服从[0,1]均匀分布来检验密度函数模型。若变换后的序列服从独立同分布，则表明对研究变量的动态行为建模是正确的，而变换后的序列服从均匀分布则表明对研究变量边缘分布的原假设是正确的。Q-Q图检验即“分位数一分位数图”检验可以比较直观的表达变量的实际分布与指定分布的拟合情况。在使用极大似然估计方法估计参数时，我们可以通过比较对数似然函数值来确定拟合优度。Akaike' s Information Criterion(AIC)定义为AIC=2（negative log likelihood）+2/n其中，n为样本容量。 　　3．实证分析 　　我们选取上证综合指数（简称上证综指）和深圳成份指数（简称深证成指）作为研究对象。样本区间为-共1993个交易日的收盘数据，数据选自大智慧软件。其中收益率由股指自然对数的一阶差分来计算，rt=lnPt-lnPt-1（t=2，3，……1993）。为了软件处理方便，最后选取的数据为rt（t=58，59，……1993），共1936个数据。 　　3.1统计描述 　　基本的描述统计量见表1。从表1可以看出上证综指和深证成指的对数收益率是有偏和厚尾的，所以不能用正态分布描述它们的边际分布。 　　收益率直方图如图1所示，从图中也可以看出不能用正态分布描述它们的边际分布。其中的曲线是与各股指收益率具有相同的均值和标准差的正态分布密度函数曲线。 　　另外，我们也进行了正态性检验，p值如表2所示，均应该拒绝各股指服从正态性的假定。 　　3.2参数估计 　　我们对于Copula函数参数估计用CML估计。估计结果如表3所示。 　　根据核密度估计出来的边缘分布函数分别记为U=F（x），V=G（y）。于是我们可以根据（Ui，Ui）（i=1，2，…，n）的二元直方图的形状选取适当的Copula函数。图形如图2所示。 　　由图2和图3比较可看出图2呈现出“U”型，而Colayton Copula呈现出“L”型，所以不符合要求。其余三种Copula函数都是呈现出“U”型。 　　3.3 Copula模型检验 　　（1）Q-Q图检验 　　我们知道当Q-Q图形近似的形成一条直线的时候，样本越接近经验分布函数。很明显t-Copula与直线的差距最大，特别是在首尾两端，所以不符合要求。 　　（2）拟合优度评价 　　我们用对数似然函数值、Akaike' s Information Criterion(AIC)来确定拟合程度。具体数值如表4所示。由于计算的是负对数似然函数值，所以数值越小拟合的越好。很明显二元正态Copula 、Clayton Copula不符合要求。 　　4.结束语 　　文中通过选择四种比较有代表性的Copula模型对沪深股市进行相关性的研究。采用半参数方法估计Copula的参数，经过模型检验，结果表明Symmetrised Joe-Clayton copula可以很好的拟合数据。近年来Copula技术在金融上取得了极大的发展，Copula技术可将边缘分布与变量间的相关结构分开来研究，这为分析金融问题提供了一种崭新的思路。 　　参考文献： 　　[1] 张尧庭. 实用连接函数(Copula)技术与金融风险分析[ J ]. 统计研究, 2002, (4) : 48～51. 　　[2] Nelsen R B.An introduction to copulas. New York: Springer-Verlag,1999 　　[3] 韦艳华,张世英. Copula理论及其在金融上的应用. 北京：清华大学出版社,2008 　　[4] 韦艳华,张世英,郭焱. 金融市场的相关程度和相关模式的研究[ J ]. 系统工程学报, 2004, (4) : 355～362. 　　（作者单位：石河子大学商学院统计与金融系） 　　注：本文中所涉及到的图表、注解、公式等内容请以PDF格式阅读原文
转载请注明来源。原文地址：
【xzbu】郑重声明：本网站资源、信息来源于网络，完全免费共享，仅供学习和研究使用，版权和著作权归原作者所有，如有不愿意被转载的情况，请通知我们删除已转载的信息。
xzbu发布此信息目的在于传播更多信息，与本网站立场无关。xzbu不保证该信息（包括但不限于文字、数据及图表）准确性、真实性、完整性等。Apache Tomcat/7.0.59 - Error report HTTP Status 403 - type Status reportmessage description Access to the specified resource has been forbidden.Apache Tomcat/7.0.59