本文是一篇金融论文，金融、金融学均为现代经济产物。古代主要是农耕、农业经济，主要是易货和简单的货币流通，根本不存在金融和金融学。如在中国，一些金融理论观点散见在论述“财货”问题的各种典籍中。（以上内容来自百度百科）今天为大家推荐一篇金融论文，供大家参考。
第一章 绪论
第一节 研究背景及意义
纵观数百年的金融发展史，股票推动着国家金融市场成熟、走向多元化发展的重要工具，股票市场的稳定也是一个国家金融市场成熟的重要象征。2005年 4 月 8 日，沪深 300 股指正式推出，标志着中国股票市场逐渐走向成熟。一直以来证券市场都是金融研究的焦点问题。对于单支股票价格的波动而言，其估计波动过程被普遍认为是连续性波动行为和跳跃性波动行为的组合。股价的连续性波动行为一般认为比较平稳，是证券市场正常运行状态的写照。而当证券市场受到一些突发性事件或者重大信息的干扰时，就会导致股价暴涨或者暴跌，这种情况就可以视为股价正在经历跳跃性波动。值得注意的是，这类波动的发生具有较小的概率同时伴随较大的幅度。进入 21 世纪以来，计算机技术的日趋成熟和信息存储技术的发展为获取高频数据提供了便利，获取每一笔的交易数据也不再是技术难题。金融高频数据可以全面真实的还原证券市场的真实交易信息。随着复杂网络理论的发展和兴起，众多学者被网络的魅力所吸引，刮起了一阵网络科学研究的新浪潮。复杂网络理论作为人类理解世界奥秘的一种新思路和方法，在各个学科领域都倍受瞩目与推崇。在生物，物理以及社会关系等各种现实生活中存在的网络都可以抽象为复杂网络来描述，同时，利用复杂网络理论还可以揭示网络内部的拓扑性质。因此，学者们开始深入研究那些节点数量多，接连结构复杂的各种网络模型，揭示它们的网络拓扑结构、网络内部相关性、结构与功能以及演化规律等。股票市场早已被证实是一个复杂系统，故可以将股市中的每一支股票抽象为节点，将股票价格波动之间的关系抽象为一个节点与另一个节点之间的连边，将整个股票市场抽象为一个复杂网络，研究其拓扑结构及内部相关性。由此可见，将股票波动率跳跃与复杂网络理论相结合，构建一个股票波动率跳跃关联网络，再分析其拓扑结构及内部相关性，可以有效揭示股票市场的运行规律。
.........
第二节 研究的内容与方法
近年来，随着计算机的普及以及计算机技术的突破性发展，各种程序语言以及算法层出不穷，再这样的基础之上，复杂网络的研究又有了一个新的发展机遇，但是其系统性和开创性的理论并没有突破旧的范畴。如今，研究金融复杂网络模型主要有两类：一是利用股价之间的相关系数构建网络；另一类是利用股指变化构建波动性网络。但鲜有学者运用股价波动率的跳跃部分转化为距离，然后构建复杂网络。本文笔者主要利用 MinRV 统计量和最小生成树算法，运用中国股票市场高频数据构建股票波动率跳跃关联网络模型，进而评估各项重要指标，得出股市的变动规律，进而从一个全新的角度进行研究。首先，对每一支股票进行处理，运用 MinRV 统计量将股价波动率跳跃部分进行分离，转化为股票之间的距离矩阵。其次，运用最小生成树算法将距离矩阵构建为股票波动率跳跃关联网络，为接下去的数据分析做好准备。再次，利用 Fast unfolding 算法划分社团，将网络划分为若干社团结构，然后进行研究。最后，对网络的拓扑性质进行分析，例如，度值、介数中心性、接近度中心性等，分析各个社团的平均相关系数，从而更好的探索股票市场的变化规律。
..........
第二章 文献综述
在高频数据下研究股票价格波动率跳跃，是近年来计量和金融领域的一个热点研究方向。在经典理论和模型中，通常假设股票价格具有连续性。但是大量的研究文献表明，在原有的扩散过程基础上加入跳跃过程，不但能够更好的解释股票价格的异常波动现象，而且可以捕捉到收益率序列的峰值和偏度呈现出尖峰厚尾的特征。同样，早在 1998 年学术界便兴起了对复杂网络理论的研究，两篇具有代表性的论文——《“小世界”网络的群体动力行为》和《随机网络中标度的涌现》——的引用次数就高达 3217 次和 1839 次，应用的学科非常广泛，涉及的学科领域有物理，医学，遗传学，生物，社会，金融，计算机，管理学等。目前，已有学者证明股票市场就像社交网络一样是一个复杂系统，用复杂网络理论来解释股价的波动率跳跃现象给金融从业人员提供了一种全新的研究方向。本章通过波动率跳跃和复杂网络聚类分析两个部分来论述国内外学者的研究成果。
第一节 波动率跳跃国内外研究现状
波动率早在半个世纪前就已经诞生，Engle(1982)通过研究并提出了波动率具有集聚性，随后根据这个性质提出了著名的 ARCH 模型。Bollerslev(1986)在Engle(1982)的研究基础上提出了 GARCH 模型。在随后的十几年中，越来越多的学者加入在波动率研究中，逐渐形成了各种各样的 ARCH 族和 GARCH 族模型。由于时代和技术的局限性，无论是 ARCH 还是 GARCH 均是基于低频数据样本的分析方法，低频数据由于自身的局限性，使得股价对突发信息的冲击效益很难做出系统的反应，使得突发事件所带来的信息在股市中的传播效应有一定的减弱。随着计算机技术以及数据科学领域的日渐成熟，高频数据的获取变得更为快捷，简便。随着对高频数据性质研究的不断推陈出新，在基于高频数据理论的实践中，从本质上颠覆了辨别跳跃、度量波动率的方法。进入 90 年代后，Andersen and Bollerslev (1998)以外汇市场 5 分钟高频数据，在波动率跳跃的研究中运用到二次幂变差方法，并提出了已实现波动率(Realized Variation)这个概念。同年，提出了用非参数方法度量波动率。这与其他学者经常运用低频数据研究的 GARCH 的波动率估计相比较具有无模型、更为精准等优点。在高频数据中，股价发生跳跃行为是不可避免的。Barndoff-Nielsen andShepard(2004, 2006)研究并提出了邻接收益序列的已实现双幂次变差(RBV)以及已实现多幂次变差(MPV)的非参数估计方法，使得已实现波动率的估计准确性得到了极大提升。随后，在 Barndoff-Nielsen and Shepard(2006a,2006b)的基础上，通过对已实现双幂次变差（RBV）和已实现波动率（RV）做差处理后，研究发现了日内跳跃的鉴别方法。Barndoff-Nielsen and Shepard(2006)及 Andersen,Bollerslev and Diebold(2007) 等通过实证研究证明了 BNS 方法可以高效的识别日内跳跃的发生，并且发现跳跃往往发生在宏观经济数据发布之后的一段时间内。
..........
第二节 复杂网络国内外研究现状
一、复杂网络的国外研究成果
复杂网络的研究包罗万象，其中研究热点之一的股票网络近年来应用越来越广泛。国内外众多学者在前人的研究基础上不断推陈出新，使得股票网络理论日趋成熟。Mantegna(1999)用标普 500（S&P 500）股票的收盘价为样本，利用最小生成树算法（MST）构建股票网络，并对其进行聚类分析，发现最小生成树算法能够揭示网络的层次结构。Onnela(2004)等以纽交所上市的 477 支股票的收益率为样本，通过按股票之间的相关性由强到弱的顺序逐步向网络中添加边的方法构建股票网络并分析了网络社团数目，社团规模和平均集聚系数等拓扑性质。Boginski 等（2005）通过将美国股市中 6546 支股票构建成网络，并研究股票价格价格之间的相关性发现这个股票网络呈无标度特性。Tse Chi k 等（2010）把每一个节点看作是一只股票，股价收益率之间关系通过模型转化为它们之间的边来构建股票网络。Thomas 等（2012）将金融市场看作是一种类似生态系统的网络，这种网络极为繁琐，对一些突发事件所带来的影响具有极其灵敏的嗅觉，运用最小生成树算法（MST）构建金融加权网络，验证了在金融危机时期，网络的抗毁能力变的更好。Pothen A, Simon H（1990）等提出了基于 Laplcian 图特征值划分社团的方法——谱平分法，运用该算法将特征值从大到小进行排列，最后划分为两个社团。Newman 和 Girvan（2002）提出了GN 算法，这种算法每一次执行都会不间断的移去边介数最大的两个节点，直到网络中所有的边都被删除为止，但其计算过于复杂的缺点。随后，Newman（2004）提出了 Fast Newman 算法，通过不断合并网络中的社团，并重新计算模块性 Q 值，直到所有社团合并为一个社团，该算法大大提高了社团划分效率。Vincent D. Blondel ，Jean-Loup Guillaume 等（2008）基于模块性 Q 值，提出了 fast unfolding 算法，并将该算法比利时 260 万移动通信用户所使用的语言进行网络社团划分，证明了该算法具有极高的社团划分效率。#p#分页标题#e#
.........
第三章 股价波动率跳跃检验模型..........9
第一节 基于股票高频数据的已实现波动率..........9
第二节 基于股票高频数据的跳跃检验方法..........9
第三节 基于 MinRV 的跳跃分离方法........12
第四章 复杂网络集聚效应的理论与应用......14
第一节 复杂网络的概念和特点........14
第二节 复杂网络的统计特性............15
第三节 复杂网络的构建——最小生成树算法（MST） .......20
第四节 复杂网络社团划分的聚类算法......23
第五章 实证分析......30
第一节 数据选取............30
第二节 已实现波动率及跳跃的提取结果............30
第三节 股票的波动率跳跃关联网络的构建结果..........33
第四节 网络的拓扑性质分析............36
第五节 社团结构划分..............39
第五章 实证分析
第一节 数据选取
本文以沪深 300 指数的成份股作为实证研究对象。沪深 300 指数涵盖了沪深两市公司市值最高的 300 支上市公司股票，有效说明中国股票市场最具有影响力的上市公司的综合营运状况。沪深 300 指数包括制造业，金融业，房地产建筑业，农牧业以及服务零售业等行业 300 支股票，且制造业和金融业股票占总股票数 50%，充分说明制造业和金融业在我国国民经济体系中占有重要地位。在实证之前，本文对样本数据进行如下的处理：选择样本：沪深 300 指数成份股；样本区间：2015 年 01 月 05 日至 2017 年 07 月 28 日，这段时间的数据包含了中国股市在 2015 年的“股灾”期间的样本数据以及 2017 年之后股市进入平缓期的样本数据，能够比较准确的反应股票市场的在正常和异常波动率下的波动率跳跃的性质；数据剔除：去除中国股市实施“熔断”期间的数据；去除交易日不完整的股票样本，最终得到 274 只样本股票；数据频率：5 分钟数据，在利用高频数据进行分析时，理论上要求数据频率越高越好，但过于高频的数据受到噪音以及市场围观结构的影响，根据现有中国市场已实现波动率的研究成果，本文选择 5 分钟数据进行分析。停牌期间数据的处理：个股数据经常会遇到停牌的影响，在本文的研究中，本文认为在停牌期间，股票价格并不波动率，所以本文认为停牌期间的股价波动率为 0，相应的跳跃为 0；数据来源：Wind 数据库。
.........
结论
本文针对股票市场这一富有活力且充满挑战性的领域，利用 MinRV 统计量对沪深 300 成分股 5 分钟高频数据的股价波动率的跳跃部分进行分离，然后运用最小生成树算法，构建股票波动率跳跃的关联网络模型，分析网络的度值和中心性指标等网络拓扑性质。最后，利用 Fast unfolding 算法对网络进行社团划分，对不同社团的平均相关系数进行统计，从不同角度探索其具有的特定经济意义，得出以下一些主要结论。首先，股票波动率已经被证明具有连续性和非对称性等特征。本文从股票波动率出发，将股票波动率分为连续部分和跳跃部分，取其跳跃部分，证明波动率跳跃具有右偏和尖峰厚尾的特征。其次，从复杂网络的基本理论出发，介绍复杂网络的各种拓扑性质；例如，度和中心性等，以及划分社团结构常用的算法和结果评价方法。再次，利用最小生成树算法，对沪深 300 股票波动率跳跃的数据进行处理，构建了股票波动率跳跃关联网络模型，并运用 Fast unfolding 算法划分社团结构。引入网络的拓扑结构，例如度值，中心性和相关系数等指标更深一步探索网络的实际应用意义，综合上述结果可以更深层次的发现股价发生跳跃时的变化轨迹。最后，在构建好的股票波动率跳跃关联网络的基础上，分析网络的度，接近中心的以及介数中心度，发现以下两点明显的特征：1．制造业股票在网络中处于核心地位。2．金融业，媒体和高新技术行业在整个网络中也具有重要的地位。从行业和相关系数等方面全方位考察网络划分出的各社团结构，发现股票波动率发生跳跃时，金融业股票之间的相关性最强；其次，制造业和能源业，制造业和金融业股票之间也具有较强的相关性。
..........
参考文献（略）
