Stock returns versus trading volume: is the correspondence more general?
本文利用波兰股票市场的高频数据，对股票市场收益与相应交易量之间的关系进行了定量分析。首先，对于交易时间足够长的股票，我们研究了收益率和成交量分布，并确定了它们与幂律函数的一致性。我们发现，对于大多数股票，这两个分布的标度指数系统地相关的约2倍的回报率较大。其次，我们研究了给定交易量的交易对价格的影响，发现这种影响可以用平方根相关性来很好地描述：r（V）V^（1/2）。我们的结论是，波兰市场的数据的属性类似于文献中报道的关于某些成熟市场。
2013-10-28 q-fin.ST
Impact of the COVID-19 pandemic on the financial market efficiency of price returns, absolute returns, and volatility increment: Evidence from stock and cryptocurrency markets
该研究分析股票与加密货币市场的收益率、绝对收益率和波动率增量，发现COVID-19对市场有效性的影响因市场和指标而异，并提示按疫情分段分析可能产生误导。
2025-04-26 q-fin.ST
Joint News, Attention Spillover,and Stock Returns
本文基于综合新闻数据集与SEC EDGAR访问记录，发现联合新闻引发股票间注意力传染与溢出，导致个股估值暂时偏高及收益反转，且聚合的联合新闻覆盖率能强烈负向预测未来市场收益，揭示了注意力传染对市场整体高估的作用。
2025-07-15 q-fin.ST
The joint distribution of stock returns is not elliptical
使用一个大的每日美国和日本的股票收益率，我们详细测试学生模型的相关性，更一般的椭圆模型，用于描述收益率的联合分布。我们发现，虽然学生copula提供了一个很好的近似强相关的股票对，系统的差异出现股票之间的线性相关性降低，排除所有椭圆模型。直觉上，椭圆模型的失败可以追溯到所有股票的单一波动模式假设的不足。我们提出了几个方法上的兴趣，有效地可视化和比较不同的Copula的想法。我们确定的高斯copula和copula的中心值作为强歧视性的观测值的重新标度的差异。我们坚持认为，需要避免没有金融解释的copula的正式选择。
2012-06-04 q-fin.ST
Realizing stock market crashes: stochastic cusp catastrophe model of returns under the time-varying volatility
本文提出了一个两步估计方法，使我们能够应用突变理论的股票市场收益率随时间变化的波动和模型股票市场崩溃。利用高频数据，我们估计每日的已实现波动率的收益率在第一步和使用随机尖点突变的数据归一化的估计波动率在第二步中，研究可能的不连续性的市场。我们通过模拟来支持我们的方法，我们还讨论了随机噪声和波动在确定性尖点突变模型中的重要性。该方法是在美国股票市场近27年的演变，包括几个重要的衰退和危机时期的经验测试。由于样本周期很长，我们还开发了一个滚动估计方法，我们发现，虽然在前半期股票市场表现出分叉的迹象，在后半期的突变理论是无法证实这种行为。结果表明，所提出的方法提供了一个重要的转变，应用突变理论的股票市场。
2013-05-22 q-fin.ST
Dynamic structure of stock communities: A comparative study between stock returns and turnover rates
股票市场中社团结构的检测对于金融动力学研究和投资组合风险估计具有理论和现实意义。本文从价格收益率和换手率两个方面，采用PMFG和基于距离矩阵的信息地图相结合的方法，研究了中国股票市场的群落结构。我们发现，一些最大的社区是由某些特定的行业或概念部门和部门内的相关性一般大于不同部门之间的相关性。与回报率相比，离职率的社区结构更为复杂，部门效应相对较弱。通过分析五个子时期的社区结构，进一步研究了金融动力学。银行、不动产、医疗保健、新上海等板块在不同的时间段内轮流组成回报率和周转率最大的几个社区。两个时间序列在同一时间段内也会出现不同的排序。为了更好地了解这些行业股票的价格和周转率的演变之间的比较，以更好地了解他们的差异。我们发现，股票价格只在一些重要事件前后发生较大变化，而在这些事件发生后，特定行业的换手率会出现大幅上升，这可能为股票社区换手率的复杂性提供了一个可能的解释。
2016-08-10 q-fin.ST
Is the Indian Stock Market efficient - A comprehensive study of Bombay Stock Exchange Indices
投资者如何在市场上投资在很大程度上受市场有效性的影响，因为如果市场是有效的，就很难获得超额回报，因为在一个有效的市场中，不会有被低估的证券，即价值低于其假定内在价值的证券，这些证券提供的回报高于其风险应得的预期收益率。然而，如果市场没有效率，就有可能获得超额回报。本文分析了BSE的五个主要股票指数。这不仅将测试印度股票市场的效率，也将测试股票市场的随机游走性质。本文的研究为印度股票市场的低效率形式提供了有力的证据。研究发现，印度股票市场的股票指数序列是有偏的随机时间序列，随机游走模型不能应用于印度股票市场。本研究证实，有一个漂移的市场有效性和投资者可以利用这一点，正确选择的证券被低估。
2015-10-10 q-fin.ST
An explanation for the distribution characteristics of stock returns
本文提出金融市场对事件或信息的反应函数及收益分布模型，解释股票收益的高峰、肥尾和偏斜特征，并通过对CSI 300、S&P 500和N225不同时间尺度的分析验证了市场反应不足、过度反应及正负信息反应不对称等规律。
2023-12-05 q-fin.ST
Bayesian Forecasting of Stock Returns on the JSE using Simultaneous Graphical Dynamic Linear Models
本文采用 SGDLMs 对 JSE 的40维股票收益时间序列建模，通过逐序列 DLM、重要性采样重耦合与平均场变分贝叶斯解耦捕捉跨序列依赖，实现准确且能响应市场波动的预测。
2023-07-07 q-fin.ST
Financial ratios and stock returns reappraised through a topological data analysis lens
公司的财务状况是公认的回报预测指标，是资产定价文献中大量异常现象的灵感来源。采用拓扑数据分析，我们重新审视了七个最常见的研究财务比率和股票收益率之间的关联问题。具体来说，TDA球映射算法被应用于可视化的点云的财务比率作为一个抽象的二维图形，很容易允许识别因素之间的相互依赖关系。这些关系很少是单调的，投资者利用TDA提供的知识获利的机会比比皆是。明确的潜力所提供的工具，TDA揭示新的光资产定价模型的证明。受益的范围仅受分析师获得信息的限制。
2019-11-23 q-fin.ST
A Study on Neural Network Architecture Applied to the Prediction of Brazilian Stock Returns
在本文中，我们提出了一个统计分析的特征，我们打算影响的神经网络的性能方面的自信在预测巴西股票收益。我们创建了一个用于分析的体系结构群体，并提取了具有最佳断言性能的样本。验证了该样本的特征如何突出并影响神经网络。此外，我们对不同架构对神经网络性能的影响进行了推断。在这项研究中，预测的巴西股票交易的圣保罗证券交易所的回报，以衡量所犯的错误的不同架构的构造神经网络。结果是有希望的，并表明神经网络架构的某些方面对模型的断言有显着的影响。
2019-01-26 q-fin.ST
Tail probabilities for short-term returns on stocks
本文研究了一类随机波动率模型下股票收益率的尾概率。在这些模型中，波动率的随机微分方程是自治的，时间齐次的，只依赖于有限数量的维参数。波动率的漂移和扩散系数的高波动率极限的三个界限确保波动率是均值回复的，具有长记忆，并且与股票价格一样波动。维数分析，然后提供领先的顺序近似的漂移和扩散系数的波动率的高波动率限制。因此，使用Kolmogorov向前方程的波动率的转移概率，我们发现，短期收益率的尾部概率下降像一个反立方。然后，我们的分析为Gopikrishnan等人（1998）报告的5-120分钟间隔内的回报率的逆立方下降提供了一个可能的解释。此外，我们还发现，尾部概率的尺度就像区间的长度一样，在区间上测量收益，其幂为3/2。在文献中似乎没有任何实证结果可以与最后一个预测进行比较。
2019-03-20 q-fin.ST
Scaling and memory in the return intervals of realized volatility
本文对上海证券交易所综合指数（SSEC）和22只成分股的1 min { \em{realized volatility} }（定义为高频绝对收益之和）进行了收益区间分析。研究了连续已实现波动率超过一定阈值$q$的返回间隔的标度行为和记忆效应。与由最接近分钟标记的报价价格定义的波动率相比，已实现波动率的收益区间分布显示出更好的标度行为，因为20只股票（在22只股票中）和SSEC通过Kolmogorov-Smirnov（KS）检验并表现出缩放行为，其中8种股票的标度函数可以用KS优度指数所揭示的拉伸指数分布很好地近似，在5%的显著性水平下进行拟合检验。通过拟合指数$γ$和阈值$q$之间的关系进一步证实了改进的标度行为。此外，对于已实现波动率，不同股票的收益率区间分布也具有相似性。条件概率分布和去趋势波动分析（DFA）的研究表明，已实现波动率的收益区间存在短期记忆和长期记忆。
2009-08-19 q-fin.ST
Deep Learning in Long-Short Stock Portfolio Allocation: An Empirical Study
本文实证研究了MLP、CNN、LSTM和Transformer四种深度学习模型在S&P500和NASDAQ股票多空组合配置中的表现，结果表明这些模型能有效提升组合收益与风险指标。
2024-11-25 q-fin.ST
Broken Symmetry, Conservation Law, and Scaling in Accumulated Stock Returns -- a Modified Jones-Faddy Skew t-Distribution Perspective
University of Cincinnati（辛辛那提大学）
研究分析S&P500多日收益的对称性破缺及波动率与积累天数的线性关系，采用修改后的Jones-Faddy偏斜t分布进行分析。
2026-04-16 q-fin.ST
A Research on Cross-sectional Return Dispersion and Volatility of US Stock Market during COVID-19
我们研究了2019冠状病毒病疫情下标普医疗保健板块的波动性和横截面回报离散效应。我们创新性地使用谷歌指数来代理疫情的影响，并对波动性进行建模。我们还研究了标普能源板块和标普医疗保健板块的对数收益率的影响因素。研究发现，波动性受疫情和截面收益离散度的影响显著，且两者前面的系数均为正值，说明羊群行为并不存在，且随着截面收益离散度的增大和疫情的加重，股票收益的波动性也在增大。我们也发现疫情对能源板块的回报有明显的负面影响，最后我们向投资者提供了我们的建议。
2021-03-24 q-fin.ST
A Map of the Brazilian Stock Market
我们使用股票收益的相关矩阵来创建巴西主要证券交易所圣保罗证券交易所（BM&F-Bovespa）的地图。以2010年的数据为例，根据股票收益率之间的相关性，构造了一个最小生成树和具有不同阈值的资产图。使用网络理论的技术的结果进行了分析。
2013-03-28 q-fin.ST
Modelling stock correlations with expected returns from investors
股票相关性对资产定价、投资者决策和金融风险监管至关重要。然而，基于Agent建模的微观解释仍然缺乏。本文提出了一个基于少数者博弈的股票相关性模型，其中一个代理人对一只股票的预期收益率受到另一只股票历史收益率的影响。每个代理人根据自己的预期收益率并参考信息传播和股票的历史收益率做出决策。我们发现，当代理人对一只股票的预期收益率与另一只股票的历史收益率正（负）相关时，两只股票的收益率正（负）相关。我们提供了数值模拟和分析研究，并解释股票相关性的情况下，代理人具有同质或异质预期收益率。当考虑到控股决策和外部事件等其他因素时，该结论仍然成立，从而拓宽了模型的实用性。
2018-03-23 q-fin.CP q-fin.ST
Stationarity of the detrended price return in stock markets
本文提出了一个考虑非平稳效应的股票市场指数的控制方程。这是一个线性福克-普朗克方程（FPE），描述了价格收益率概率分布函数（PDF）的时间演化。通过应用伊藤引理，这个FPE是与一个随机微分方程（ZH），模型的时间演变的价格回报的方式不同于经典的布莱克-斯科尔斯方程。FPE方程和FPE方程都考虑了确定性部分或趋势，以及作为q-高斯噪声的平稳随机部分。利用S\&P500指数的数据对模型进行了验证。在从指数中去除趋势后，我们通过评估多重分形时间序列的赫斯特指数、其功率谱及其自相关性来证明去除趋势的部分是平稳的。
2020-08-22 q-fin.ST
Against the Norm: Modeling Daily Stock Returns with the Laplace Distribution
对数学家、投资者和投资组合经理来说，股票收益建模并不是一个新的任务，但由于股票市场的起伏，它仍然是一个困难的目标。一个常见的解决方案是用正态分布来近似股票收益率的分布。然而，正态分布将无穷小的概率置于极端异常值上，但这些异常值在投资实践中特别重要。本文研究了股票市场主要指数日收益率分布的正态性。我们发现，正态分布不是一个很好的模型，股票收益率，即使在几年的数据价值。此外，我们建议使用拉普拉斯分布作为每日股票收益率的模型。
2019-06-25 q-fin.MF q-fin.ST
Risk-return relationship: An empirical study of different statistical methods for estimating the Capital Asset Pricing Models (CAPM) and the Fama-French model for large cap stocks
资本资产定价模型（CAPM）是解释金融市场风险收益关系的最早模型之一。然而，在实际应用中，资本资产定价模型也表现出了许多不足之处。许多研究在改进模型性能的同时，一方面尝试应用不同的统计方法对模型进行估计，另一方面在模型中加入更多的预测因子。本文首先对CAPM进行了回顾，比较了常用的统计方法，然后比较了CAPM和Fama-French模型的预测能力，Fama-French模型是CAPM的重要扩展。通过对大盘股数据集的实证研究，我们已经证明，没有统计方法可以恢复CAPM的系统风险（以beta表示）和收益之间的预期关系，并且Fama-French模型对个股的预测性能并不比CAPM更好。因此，本文提供了更多的证据来支持资本资产定价模型的错误性和法玛-弗伦奇模型在解释风险收益关系时的局限性。
2015-11-23 q-fin.ST
Detrended cross-correlations between returns, volatility, trading activity, and volume traded for the stock market companies
我们考虑几个表征股票市场在固定时间间隔内交易的量：对数回报率、波动率、交易活动（即，交易数量）和交易量。我们的研究是基于美国股票市场的经验数据，包括一个tick-by-tick记录的31只股票在道琼斯工业平均指数在2008年至2011年的不同时间单位，从1分钟到10分钟，这些数量之间的幂律互相关。由于除了收益率之外，所有考虑的量都显示出与一天中不同时间的可变交易活动相关的强烈的每日模式，这在自相关函数中最为明显，因此我们在继续研究之前通过去趋势来去除这些模式。我们应用多重分形去趋势交叉相关性分析与符号保持（MFCCA），并表明，最强的幂律交叉相关性之间存在的交易活动和交易量，而最弱的存在（甚至不存在）之间的回报和剩余的数量。我们还表明，最强的互相关进行的那些部分的信号，其特征在于由大，中方差。我们的观察，最令人信服的幂律交叉相关性发生在交易活动和交易量之间，揭示了这些量之间存在强烈的分形耦合。
2015-11-10 q-fin.ST
Uncovering networks amongst stocks returns by studying nonlinear interactions in high frequency data of the Indian Stock Market using mutual information
在本文中，我们将探讨在印度股票市场的协同作用的股票集群的检测，并了解他们在不同情况下的行为。我们的研究基于2014年的高频数据。这是印度举行大选的一年，考虑到这一点，我们的数据集分为3个子集，选举前时期：2014年1月至2月;选举期：2014年3月至5月和：选举后时期：2014年6月至12月。在分析相关矩阵的频谱时，观察到与RMT有相当多的偏差，表明所有股票之间存在相关性。然后，我们使用互信息来捕捉数据的非线性，并将我们的结果与广泛使用的相关技术，使用最小生成树方法进行比较。与相关法相比，非线性互信息法具有更大的对应于网络度分布的幂律指数α值，能成功地建立有效网络。在我们分析发现的两个突出集群中，一个对应于金融部门，另一个对应于能源部门。金融部门作为一个孤立的、独立的集群出现，即使在选举期间也不受影响。
2019-02-20 q-fin.ST
Uncovering a factor-based expected return conditioning structure with Regression Trees jointly for many stocks
鉴于简单线性回归三因子模型的成功和几乎普遍接受，当分析被允许考虑因素和股票收益之间的非线性依赖关系时，分析三个因素在解释股票收益方面的信息含量是有趣的。为了更好地了解基于因子的条件信息，在回归树设置的预期股票收益率，股票收益率的分析表明，使用每日股票收益率数据为5个主要的美国公司。第一个发现是，在所有情况下（单独和联合）最具信息性的因素总是市场超额收益率因素。此外，三个主要问题进行了讨论：a）深度=1树的平衡，因为它涉及到股票收益率分布的属性，b）深度=1树平衡背后的机制，在联合回归树和c）在联合回归树的主导股票。结果表明，高的偏斜值不能单独解释的不平衡所产生的树分裂的股票具有明显的偏斜可能会产生平衡的树分裂。
2020-07-16 q-fin.CP q-fin.ST
A Nested Factor Model for Equity Markets: Reconciling Multifractal Stock Returns and Rough Index Volatilities
Ceremade, CNRS-UMR 7534, Université Paris-Dauphine PSL（巴黎第九大学）；Chair of Econophysics and Complex Systems, École polytechnique（巴黎综合理工学院）；LadHyX UMR CNRS 7646, École polytechnique（巴黎综合理工学院）；Capital Fund Management（资本基金管理公司）；Académie des Sciences（法兰西科学院）；SPE CNRS-UMR 6134, Université de Corse（科西嘉大学）
提出嵌套因子模型，通过粗糙因子波动率和超粗糙残差波动率解释股票指数与个股Hurst指数的差异，并给出估计方法。
2026-11-02 q-fin.ST
Sentiment Analysis of State Bank of Pakistan's Monetary Policy Documents and its Impact on Stock Market
本文通过情感分析与高频短窗口方法研究巴基斯坦国家银行货币政策沟通对股市的影响，发现其语气变化会显著影响卡拉奇证券交易所股票回报，但该影响不具长期恒定性。
2024-07-19 q-fin.ST
The Impact of Credit Risk and Implied Volatility on Stock Returns
本文探讨了使用衍生工具隐含风险溢价解释股票收益的可能性。衍生品市场的迅速发展使信用风险和利率风险等各种风险的交易成为可能。本文使用信用违约互换和股票期权来确定风险溢价，然后将其用于形成投资组合，并对股票投资组合的收益进行回归。事实证明，信用风险和隐含波动率对股票收益率都有很高的解释力。特别是不良股票的回报高度依赖于信用风险波动。这一发现导致了实际的影响，如股票和信贷工具之间的交叉对冲机会，并可能允许预测股票收益的基础上在信贷市场的变动。
2010-05-30 q-fin.PR q-fin.ST
A Modeling Approach of Return and Volatility of Structured Investment Products with Caps and Floors
本文针对波多黎各与股市挂钩的个人退休账户（PRIRAs），提出一种结构性产品参数化建模方法，对比其与其他投资工具的收益风险特征，发现其表现逊于直接投市但因本金保障等特性适合部分风险厌恶投资者。
2023-10-28 q-fin.ST
Maximum Entropy Production Principle for Stock Returns
在我们以前的研究中，我们已经调查了纽约和华沙的证券交易所的股票收益率描述的时间序列的结构复杂性，采用两个估计的香农熵率的基础上Lempel-Ziv和上下文树加权算法，这是最初用于数据压缩。描述对数股票收益的时间序列的这种结构复杂性可以用来衡量潜在价格形成过程的内在（无模型）可预测性，在实践中检验有效市场假说。我们还将标准交易算法的盈利能力与估计的可预测性相关联，发现这些算法在任何重要程度上都没有使用股票回报的固有结构。为了找到一种方法来使用的结构复杂性的股票收益率的预测的目的，我们提出了最大熵生产原则，适用于股票收益率，并测试它在上述两个市场，探讨是否有可能提高预测的股票收益率的结构复杂性的基础上，这些和上述原则。
2014-08-16 q-fin.CP q-fin.ST
Defining an intrinsic stickiness parameter of stock price returns
我们引入了一个非线性的股票收益定价模型，定义了一个粘性参数的回报。该定价模型类似于金融中使用的资本资产定价模型，但具有受地震构造板块运动模型启发的非线性成分。与板块运动的联系是存在的，因为一个给定的股票指数的价格波动被认为会增加其个股回报组成部分的压力，以便跟随指数。个股跟随指数价格走势的紧密程度可以用来定义它们的粘性
2020-05-05 q-fin.GN q-fin.ST
Model for Non-Gaussian Intraday Stock Returns
众所周知，股票价格表现出非高斯动态，人们对理解这种行为的起源很感兴趣。在这里，我们提出了一个模型，解释的形状和规模的分布的日内股票价格波动（称为日内回报），并验证模型使用大型数据库在伦敦证券交易所交易的几只股票。我们提供的证据表明，这些股票的收益率分布是非高斯的，形状相似，并且在日内时间尺度上分布稳定。我们解释这些结果，假设收益率的波动率是恒定的日内，但在较长的时间内变化，使其平方反比遵循伽马分布。这将产生在日内时间尺度上为Student分布的回报。预测结果与我们研究中所有股票的数据以及收益分布的所有区域都非常吻合。
2009-12-30 q-fin.RM q-fin.ST
Statistical Properties of Statistical Ensembles of Stock Returns
我们选择在纽约证券交易所交易的n只股票，并从股票价格时间序列中形成我们数据库的k个交易日的每日股票收益的统计集合。我们分析每个合奏的股票收益率提取其前四个中心时刻。我们观察到，这些时刻是波动的时间，是随机过程本身。我们通过研究中心矩的概率密度函数和时间相关特性来刻画中心矩的统计特性。
1999-09-21 cond-mat.stat-mech q-fin.ST
Impact of non-stationarity on estimating and modeling empirical copulas of daily stock returns
衡量金融时间序列之间的统计相关性常常被简化为线性相关系数。然而，这可能无法反映现实的所有方面。本文利用两两Copula函数研究了股票收益率的经验相关性。在这里，我们特别调查在何种程度上的非平稳性的金融时间序列影响的估计和建模的经验copula。我们估计经验copula从非平稳的，原始的回报时间序列和平稳的，局部归一化的。因此，我们能够在两个不同的尺度上探索经验依赖结构：一个全球和一个本地的。此外，经验Copula的不对称性被强调为一个基本特征。我们比较我们的经验发现与一个单一的高斯copula，与相关加权平均高斯copula，与K-copula直接解决非平稳的依赖关系作为模型参数，并与歪斜的学生的t-copula。K-copula最充分地覆盖了局部尺度上的经验依赖结构，而偏斜的Student's t-copula最好地捕捉了全球尺度上经验copula的不对称性。
2015-06-26 q-fin.ST
Modeling of Stock Returns and Trading Volume
在这项研究中，我们调查的收益率和交易量的统计特性。我们展示了一个典型的例子，幂律分布的回报和交易量。接下来，我们提出了一个受统计力学启发的股票市场的交互代理模型[24]，以探索实证结果。我们发现，作为相互作用的交易者之间的相互作用，加强双方的回报和交易量呈现幂律行为。
2013-09-10 q-fin.ST q-fin.TR
Distributions of Historic Market Data - Stock Returns
我们表明，历史股票收益率分布的时刻与赫斯顿模型非常一致，而与预测波动率和股票收益率的幂律尾部的乘法模型不一致。我们还表明，平均已实现方差的回报是一个线性函数的天数超过回报的计算。斜率由均值回复随机波动率模型（如Heston和乘法）中方差（波动率平方）的均值决定，与随机性无关。利用正态分布的乘积分布，由稳态方差分布函数得到了股票收益率的分布函数，该分布函数随收益天数的增加而重新标度。
2017-12-05 q-fin.MF q-fin.ST
Weak Correlations of Stocks Future Returns
我们通过一系列被广泛采用的参数来分析股票收益之间的相关性，这些参数被称为解释变量。随后，我们利用这些结果提出了一个长期的定量自适应技术，以构建一个有利可图的资产组合，表现出较小的提款和更高的回收率比一个同等权重和有效前沿的投资组合。
2018-09-19 q-fin.PM q-fin.ST
Components of multifractality in high-frequency stock returns
我们分析了100家高度资本化的美国公司两年多来5分钟股票收益率的多重分形特性。两个来源：厚尾概率分布和非线性时间相关性，至关重要地有助于观察到的多重分形动态的回报。然而，对于大多数公司来说，时间相关性构成了一个更重要的相关因素。
2004-11-04 cond-mat.other q-fin.ST
Does the time horizon of the return predictive effect of investor sentiment vary with stock characteristics? A Granger causality analysis in the frequency domain
行为理论认为投资者情绪对股票收益具有预测能力，但很少有研究探讨投资者情绪预测效应的时间范围与公司特征之间的关系。为此，本文通过使用Lemmens等人（2008）提出的频域Granger因果分析，研究投资者情绪对美国股票收益率的预测作用的时间范围是否随不同的公司特征（例如，公司规模（Size）、账面市值比（B/M）、运营盈利能力（OP）和投资（Inv））。实证结果表明，投资者情绪对不同公司特征的股票收益具有长期（超过12个月）或短期（少于12个月）的预测作用。具体而言，投资者情绪对小市值股票、低B/M股票和低OP股票的短期和长期收益具有较强的可预测性，但对高分位数股票的短期可预测性较强。投资者情绪仅对小投资者股票的短期收益具有可预测性，而对大投资者股票的短期和长期收益具有较强的可预测性。这些结果对投资者制定短期和长期股票投资策略具有重要的指导意义。
2018-03-08 econ.EM q-fin.ST
Empirical distributions of Chinese stock returns at different microscopic timescales
本文利用2003年中国股票市场23只股票的超高频限价订单簿数据，研究了不同微观时间尺度下的事件时间收益率和时钟时间收益率的分布。我们发现，在一个交易的时间尺度上的回报服从逆立方定律。对于更大的时间尺度（2-32笔交易和1-5分钟），收益率遵循具有幂律尾部的学生分布。随着时间尺度的减小，尾变粗，这与振动理论一致。
2007-08-26 physics.soc-ph q-fin.ST
Return or stock price differences
假设逐时数据是线性的分析可能会导致错误的结论，如果潜在的过程是乘法的。我们比较数据分析做的回报率和股票的差异，我们研究的限制内的两种方法是等效的。给出了这两种方法的一些说明性例子。实际数据取自标准普尔500股票现金指数。
2001-11-28 cond-mat.stat-mech q-fin.ST
Deep Learning for Forecasting Stock Returns in the Cross-Section
Nomura Asset Management Co., Ltd.（野村资产管理有限公司）；The University of Tokyo（东京大学）
许多研究已经通过使用机器学习技术（包括神经网络）来预测股票收益。最近，一种被称为深度学习的方法在机器学习领域引起了关注，该方法主要在图像识别和语音识别中实现高性能。本文利用深度学习方法预测日本股票市场未来一个月的股票收益率，并研究了该方法的性能。我们的研究结果表明，深度神经网络通常优于浅层神经网络，最好的网络也优于代表性的机器学习模型。这些结果表明，深度学习作为一种熟练的机器学习方法，有望在横截面中预测股票收益。
2018-06-13 cs.LG q-fin.ST
The $κ$-generalised Distribution for Stock Returns
针对股票收益率厚尾非正态的特征，引入统计物理领域的$\kappa$-广义分布，通过蒙特卡洛拟合优度检验验证其对FTSE 100及纳斯达克Top100股票日收益率的良好拟合能力。
2024-05-16 q-fin.ST stat.AP
Testing new property of elliptical model for stock returns distribution
广义椭圆等高分布是股票收益率分布的一种常用模型。然而，该模型是否适当的重要问题尚未解决。有一些结果否定和肯定这种模型。这些结果是通过对一些市场的每对股票的椭圆模型的一些性质进行检验而得到的。本文证明了任意一对椭圆等高分布随机变量的$τ$ Kendall相关系数与符号重合概率相等的新性质。分布免费的统计检验，用于测试此属性的任何一对股票构造。在此基础上，构造了Holm多重假设检验程序，并将其应用于具体年份的股票市场数据。提出了一种新的检验股票收益率椭圆分布模型的方法。该程序应用于中国，美国，英国和德国的股票市场数据，从2003年至2014年。结果表明，对于美国、英国和德国股票市场，股票收益率分布的椭圆模型假设是可以接受的，而对于中国股票市场，椭圆模型假设在某些情况下是不成立的。
2019-07-24 q-fin.ST stat.AP
Increasing market efficiency: Evolution of cross-correlations of stock returns
我们分析了纽约证券交易所的回报率的互相关性的时间变化。我们发现，股票日收益率之间的领先滞后关系在不到20年的时间里消失了。我们发现，即使对于高频数据，时间相关交叉关联函数的不对称性也有减小的趋势，峰值位置向原点移动，峰值变得尖锐和高，从而减弱了Epps效应。所有这些发现都表明市场变得越来越有效。
2005-06-17 physics.soc-ph q-fin.ST
Principal Component Analysis and Hidden Markov Model for Forecasting Stock Returns
本文结合主成分分析和隐马尔可夫模型预测S&P 500股票收益，利用转移概率和特征向量还原收益预测，实验证明该策略在年化夏普比率上优于买入并持有策略。
2023-07-02 math.PR q-fin.PM q-fin.ST
Broken Symmetry of Stock Returns -- a Modified Jones-Faddy Skew t-Distribution
University of Cincinnati（辛辛那提大学）
本文提出了一种改进的Jones-Faddy偏斜t分布，用于捕捉股票收益分布中因随机波动率不对称性导致的负偏斜和正均值特性。
2026-02-16 econ.TH q-fin.ST
Time dependent cross correlations between different stock returns: A directed network of influence
我们研究了股票收益率的时间相关性，即我们使用逐点数据测量股票收益率时间序列对之间的时移函数的相关性。我们发现一个微弱但显着的影响，表明在许多情况下，最大的相关性是在非零的时间变化，表明公司之间的影响方向。由于该效应的微弱性和特征时间的短暂性（大约几分钟），该效应与市场效率是相容的。公司之间的互动定义了一个有方向的影响网络。
2002-05-28 cond-mat.stat-mech q-fin.ST
Variety of Stock Returns in Normal and Extreme Market Days: The August 1998 Crisis
我们研究了最近推出的一组在金融市场上交易的股票收益率的品种。这项调查是通过考虑1998年8月31日标准普尔500指数崩溃的15天时间内的每日和日内时间范围来完成的。在此期间在纽约证券交易所交易的所有股票都被考虑在本分析中。我们发现，在每日收益分析中观察到的品种的统计特性也适用于日内收益。特别是，收益率分布的最大变化在开盘或收盘时（程度较低）最局部化。
2001-04-19 cond-mat.stat-mech q-fin.ST
Regression and Forecasting of U.S. Stock Returns Based on LSTM
本文基于Fama-French三因子、Carhart四因子及五因子模型分析美国股市三个板块的投资回报，并利用LSTM模型探索额外影响因素，实证表明五因子模型有效性最佳且LSTM能更好地回归与预测相关行业股票收益。
2025-05-28 cs.LG q-fin.ST
A multi-time scale non-Gaussian model of stock returns
我们提出了一个股票运动的随机过程，只有一个来源的布朗噪声，有一个瞬时波动，从一种统计反馈在许多时间尺度上上升。这导致了一个平稳的非高斯过程，它捕获了在真实股票收益率的时间序列中观察到的许多特征。这些包括波动率聚集，峰度随时间缓慢下降，瞬时波动率接近对数正态分布。我们计算的波动率的相关性，这取决于在系统中的记忆的强度，以及符合经验观察的衰减率。
2005-01-24 cond-mat.other q-fin.ST
From Index to Equity: Pre-Training Transformers for Stock Return Prediction
Faculty of Engineering, McMaster University（麦基尔大学工程学院）；Department of Economics, Universidad Veracruzana, Mexico（墨西哥韦拉克鲁斯大学经济系）
本文研究基于Transformer的股票预测模型，通过在多伦多证券交易所指数上预训练再微调到个股，提升了预测性能，并与LSTM和XGBoost对比。
2026-05-12 cs.LG q-fin.ST
Stock returns forecast: an examination by means of Artificial Neural Networks
几十年来，有效市场假说的有效性一直受到严格的审查。然而，反对它的证据并不确凿。人工神经网络提供了一种无模型的方法来分析过去收益对当前收益的预测能力。本章利用反向传播人工神经网络分析了巴西股票市场的可预测性。我们从Bovespa指数中选取了20只股票，根据不同的市价总值，作为股票规模的代理。我们发现，可预测性与资本化有关。特别是，较大的股票比较小的股票更难预测。
2018-01-24 q-fin.CP q-fin.PR q-fin.ST
Forecasting Nigerian Equity Stock Returns Using Long Short-Term Memory Technique
University of Ibadan（伊巴丹大学）
本文利用尼日利亚证券交易所历史数据训练LSTM模型预测股票收益，实验显示准确率超过90%，并建议未来结合CNN等构建混合模型以降低单一模型风险。
2025-05-27 cs.LG q-fin.ST
Analysis of Realized Volatility for Nikkei Stock Average on the Tokyo Stock Exchange
我们计算了东京证券交易所日经225指数的已实现波动率，并研究了收益动态。为了避免非交易时间对已实现波动率的影响，我们分别计算了东京证券交易所上午和下午两个交易时段的已实现波动率，发现微观结构噪声在小的采样频率下降低了已实现波动率。以已实现波动率作为综合波动率的代理变量，对我国股票市场上、午盘的收益率进行标准化，并通过方差、峰度和6阶矩的计算检验标准化收益率的正态性。我们发现，日经指数的方差、峰度和6阶矩与标准正态分布一致，这表明日经指数的收益动态可以很好地描述为具有时变波动性的高斯随机过程。
2017-03-28 q-fin.ST q-fin.TR
