Regularities in stock markets
本文以六个GDP较高的国家的股票市场为研究对象，选取了美国纽约证券交易所的标准普尔500指数、中国上海证券交易所的上证综合指数、日本东京证券交易所的日经指数、德国法兰克福证券交易所的DAX指数、英国伦敦证券交易所的富时100指数和印度纽交所的NIFTY指数。股票价值的日平均增长是指数增长。日价格波动关于平均增长率是高斯分布的，但具有非零的渐近收敛性。股票价值的月平均增长在统计上与它们的日增长自相似。价格的月度波动遵循维纳过程，波动率下降。日交易量的平均增长是指数级的。这些观察结果适用于全球，并强调了全球股票市场的波动。
2020-12-24 q-fin.GN
How does stock market reflect the change in economic demand? A study on the industry-specific volatility spillover networks of China's stock market during the outbreak of COVID-19
采用精心挑选的行业分类标准，将中国股票市场102个行业证券指数划分为4个需求导向的行业组，并识别出需求导向的行业特定波动溢出网络。“需求导向”是一种考虑产业部门与其产出所满足的经济需求之间关系的网络结构重构思路。具有新结构的网络有助于我们更好地理解经济需求变化，特别是当宏观经济受到COVID-19爆发等外部冲击的巨大影响时。新冠疫情爆发初期，中国股票市场中，满足投资需求的行业指数对满足消费需求的行业指数的溢出效应显著上升。然而，在中国的疫情控制似乎有效后，这些溢出效应下降。此外，自2019冠状病毒病爆发以来，包括公用事业、运输及信息服务在内的若干服务行业在特定行业波动溢出网络中扮演越来越重要的角色。这意味着，首先，在中国政府的领导下，中国成功控制了COVID-19，并高效率地组织了复工。投资需求的风险得到了较快的控制和化解。第二，非药品干预的大量使用导致了中国服务业的供给限制。下一阶段，它仍将是中国经济复苏的潜在威胁。
2020-07-15 q-fin.GN
Anti-correlation and subsector structure in financial systems
运用随机矩阵理论，研究了中国股票市场、美国股票市场和全球市场指数的空间结构。在考虑交叉相关矩阵特征向量中各分量的符号后，我们检测出金融系统的子行业结构。正和负子扇区在对应的本征模中彼此反相关。中国股票市场的分行业结构较强，而美国股票市场和全球市场指数的分行业结构较弱。揭示了不同市场分行业结构的特点。
2012-01-31 physics.soc-ph q-fin.GN
Global Stock Market Volatility Forecasting Incorporating Dynamic Graphs and All Trading Days
本文提出一种结合动态图结构和所有交易日的全球股市波动率预测模型，采用时空图神经网络捕捉波动率溢出效应，在8个全球市场指数的实证中预测性能超越基线模型。
2025-09-16 econ.GN q-fin.EC q-fin.GN
How does economic policy uncertainty comove with stock markets: New evidence from symmetric thermal optimal path method
本文利用对称热最优路径（TOPS）方法重新考察了国内经济政策不确定性与股票市场之间的动态关系。我们在新兴市场和发达市场观察到不同的互动模式。经济政策的不确定性推动了中国的股票市场，而股票市场在英国和美国发挥着主导作用。同时，三国的超前滞后关系对极端事件的反应显著。我们的研究结果对投资者和政策制定者具有重要意义。
2022-05-29 q-fin.GN
Quantifying A Firm's AI Engagement: Constructing Objective, Data-Driven, AI Stock Indices Using 10-K Filings
Constructor University（康斯特鲁克托大学）
本文利用NLP技术分析纳斯达克上市公司10-K文件，量化企业AI参与度并构建四个AI股票指数，经ChatGPT事件研究验证其预测力，表现优于现有AI主题ETF。
2025-01-03 cs.AI econ.EM q-fin.GN
Forecasting Financial Extremes: A Network Degree Measure of Super-exponential Growth
股票市场的投资者通常在牛市时贪婪，在熊市时恐惧。贪婪或恐惧迅速在投资者中蔓延。这就是所谓的羊群效应，通常会导致股票价格的快速波动。在这样的市场机制中，股票价格以超指数的速度变化，通常会出现趋势逆转，纠正之前的过度反应。本文通过对价格时间序列的价格网络化程度的度量，构建了一个衡量股票价格超指数增长幅度的指标。研究了12个主要的国际股票指数。误差图检验表明，这一新指标对金融极端情况具有很强的预测能力，无论是波峰还是波谷。通过改变用于构建误差图的参数，我们表明预测能力是非常强大的。新指标的性能优于LPPL模式识别指标。
2015-05-15 q-fin.GN
Graph Signal Processing for Global Stock Market Realized Volatility Forecasting
本文提出一种集成图信号处理的已实现波动率预测框架，通过图傅里叶变换捕捉全球股市波动溢出效应，在24个全球指数数据上显著优于多种HAR基准模型。
2025-09-17 q-fin.GN
The behavior of stock market prices throughout the episodes of capital inflows
研究结合阈值法、k-means聚类与PELT变点检测，分析14个新兴市场经济体的资本流动和股价数据，发现资本激增未必推高股价，流出逆转也较少导致股价下跌。
2025-06-16 q-fin.GN
A Study on the Efficiency of the Indian Stock Market
股票市场的效率对潜在的投资回报有着重大的影响。一个有效的市场消除了套利的可能性和未利用的利润机会。本文以印度两大证券交易所为例，分析了印度股票市场的弱式有效性，BSE和NSE。使用2010年4月至2019年3月期间Sensex和Nifty指数的每日收盘值进行自相关检验，自相关检验和自回归检验。该研究证实，印度股票市场是弱形式效率低下，因此可以优于。
2020-12-02 econ.GN q-fin.EC q-fin.GN
Measuring capital market efficiency: Global and local correlations structure
本文引入了一种新的资本市场有效性测度。该方法考虑了收益的相关结构（长期记忆和短期记忆）和局部羊群行为（分形维数）。效率的度量是指与理想的有效市场状况之间的距离。方法适用于41个股票指数的投资组合。我们发现日本NIKKEI是最有效的市场。从地理角度来看，效率较高的市场主要是欧洲股票指数，效率较低的市场主要包括拉丁美洲、亚洲和大洋洲。低效率主要是由本地放牧，即低分形维数。
2012-08-06 q-fin.GN q-fin.ST
The Cross-Sectional Intrinsic Entropy. A Comprehensive Stock Market Volatility Estimator
考虑到股票市场不确定性的时间维度，本文引入了一种基于内在熵模型的股票市场波动率的横截面估计。建议的横截面内在熵（CSIE）的定义和计算作为一个每日波动率估计整个市场，根据每日交易价格：开盘价，最高价，最低价，收盘价（OHLC），以及每日交易量的所有符号上市的纽约证券交易所（NYSE）和全国证券交易商协会自动报价（NASDAQ）。我们对从CSIE获得的时间序列和由估计器提供的历史波动率进行比较分析：接近收盘价，帕金森，加曼-克拉斯，罗杰斯-萨特，杨-张，和内在熵（IE），定义和计算的历史OHLC每日价格的标准普尔500指数（S&P500），道琼斯工业平均指数（DJIA），和纳斯达克综合指数，分别用于不同的时间间隔。我们的研究使用了大约6000天的参考点，从2001年1月1日开始，直到2022年1月23日，对于纽约证券交易所和纳斯达克。我们发现，CSIE市场波动率估计始终是至少10倍以上的敏感性，市场变化相比，通过市场指数捕捉的波动率估计。此外，贝塔值证实了整体市场指数的波动性风险始终较低，与整个市场在不同时间间隔和滚动窗口的波动性风险相比，低50%至90%。
2022-04-29 q-fin.GN q-fin.MF q-fin.ST
Does it take two to tango: Interaction between Credit Default Swaps and National Stock Indices
London School of Commerce（伦敦商业学院）；Istanbul University（伊斯坦布尔大学）
本文研究了信用违约互换与土耳其股市指数的相互作用，发现两者在短期和长期存在显著的相互影响，包括利率、通胀率、汇率及政治事件等因素对两者价格的影响。
2025-12-01 econ.GN q-fin.EC q-fin.GN
Stock index futures trading impact on spot price volatility. The CSI 300 studied with a TGARCH model
一个TGSTMI模型被认为是最佳的基础上调查的影响，指数期货交易对现货价格波动。本文以沪深300指数为研究样本，对中国股市的波动性进行了实证分析。实证结果表明，沪深300指数期货交易的推出显著降低了相应现货市场的波动性。研究还发现，沪深300现货市场与CCSI-300-IF市场之间存在平稳的均衡关系。双向格兰杰因果关系也被检测到。“最后”，推断出现货价格在3或4个滞后日的时间跨度内预测的准确性更高。
2021-08-29 q-fin.GN q-fin.ST
Strikingly Suspicious Overnight and Intraday Returns
全球股票市场显示出一种令人震惊的可疑模式，即隔夜和日内回报。在过去几十年中，主要股票市场指数的隔夜回报率一直非常高，而日内回报率则为负，令人不安。这些异常一致的回报模式的原因尚不清楚。我们强调这些特殊模式的特征，这些特征阻碍了任何看似无害的解释的构建。然后，我们使用这些相同的特征来推导出迄今为止对这些惊人的可疑回报的唯一合理解释。
2020-10-05 econ.GN q-fin.EC q-fin.GN
