⑴ 日历效应的月初效应
“月初效应”指证券市场在一个月中的头几个交易日的平均收益率比同月其它交易日的平均收益率要高得多，且在统计上显著为正。Ariel（1987）对1963—1981年间的美国股市进行研究，将每个月分为两部分：第一部分是从前一个月的最后一个交易日到本交易月的第九个交易日，第二部分为本月的剩余交易日。然后，他将这两部分的累计收益率进行比较，实证结果发现正的收益率仅来自于每一交易月的第一部分。Lakonishok and Smidt（1988）通过分析长达90年的道琼斯工业平均指数也发现了类似结果，即从前一交易月的最后一个交易日到本交易月的第三个交易日之间的平均收益率显著较高。Ogrlen（1990）使用1969—1986期间CRSP的价值加权和平均加权股票指数的日收益率对“月初效应”进行了检验，他的实证结果验证了Lakonishok和Smidt的结果。Cadsby and Ratner（1989）对l0个国家和地区不同时期的股市进行研究，发现美国、加拿大、瑞士、西德、英国和澳大利亚等存在“月初效应”，但日本、香港、意大利和法国等不存在“月初效应”。Jaffe and Westerfield（1998）研究发现英国、日本、加拿大和澳大利亚股票市场虽然不存在“月初效应”，但存在“月末效应”，即一个月的最后一个交易日的平均收益率高于其它交易日的平均收益率。Howe and Wood（1994）采用Ariel划分交易月的方法研究检验了1981—1991年间日本、台湾、香港、澳大利亚和新加坡股市，发现在香港和澳大利亚存在显著的“月初效应”。
⑵ 如何计算“有机增长率”Organic Growth Rate
增长率=增量/原总量*100%
例:2006年某厂的产值是20万元,2007年是22万元,那么增长率就是
(22-20)/20*100%=10%.
负增长率的计算
上个月完成7.16万，这个月只完成了5.8万，负增长率是多少呢
增长率=（本月收入-上月收入）/上月收入*百分之百=（5.8-7.16）/7.16=-0.1899*100%=-18.99%
增长率为负，即-18.99% ,不过这是环比，也就是和上个月比较，如果是和去年同期比较称作同比，做法一样，用（本月收入-原来收入）/上月收入*百分之百
你可以套用这个公式， 有机增长（Organic Growth）是指公司依托现有资源和业务，通过提高产品质量、销量与服务水平，拓展客户以及扩大市场份额，推进创新与提高生产效率等途径，而获得的销售收入及利润的自然增长。有机增长是指致力于提升客户满意度、员工参与度以及核心业务盈利的增长，是公司依靠创新、新产品和服务、客户增长等核心业务拓展而带来的增长。有机增长是与非有机增长（Nonorganic Growth）对应的概念，是剔除了并购、资产剥离、汇率影响后的增长，反映了核心业务增长的潜能和持久性。追求有机增长并不意味着全盘否定并购的积极意义。公司的有机增长过程中需要那些战略性的、与核心业务相关的小额并购，这些并购会为公司获得新技术、新产品、新理念、或者新客户，尤其是涉及某些处于生命周期早期阶段的产品或者技术。
从海外市场来看，有机增长企业突出的业绩与稳健的持续发展能力是客观可见的。据CRSP统计，弗吉尼亚大学教授Hess对800余家在1996-2003年间创造高经济价值的上市公司进行筛选后发现，真正通过发展主营业务、靠公司内在动力获得持续有机增长的企业仅23家。而这23家保持连续有机增长的企业平均年化收益率高达31%，在股票市场的表现远远超过纳斯达克、道琼斯和标普500指数，其累积收益率分别是这三个指数的4倍、7倍和10倍。很多大公司的年度报告在对一年经营成就作总结时，都会提到其中有机增长实现了多少。在对企业的研究报告中，也往往特别关注有机增长对企业业绩提高的贡献：在投资领域，著名咨询公司科尔尼编制了针对美国31家金融机构的有机增长指数；在学术研究领域，弗吉尼亚大学教授赫斯（Hess）还创立了“有机增长指数（OGI）”模型，依据该模型筛选出像UPS、百思买等一批优秀的有机增长特征明显的公司，这些都为投资者衡量、评价企业的有机增长提供了指引。
有机增长投资理念具有几个关键点：首先是如何增长比增长多少更重要，不同类型的增长应给予不同的估值；其次是财务指标，ROE（净资产收益率）及其变化将比每股收益及其变化更加重要；此外，主业经营强劲的公司比那些单纯擅长资产运作的公司质量要好。最后，有机增长最终能给股东带来更高的回报、更好的现金流量。因为很多外延式增长公司从盈利指标上看起来不错，但不仅不能给股东带来回报，反而需要不断地融资来维系增长。
可以从以下几个特点来看待企业的有机增长。
①：以全新视角来看企业增长
企业赚的每一分钱并不都是一样的。企业增长的方式也并不是一样的，既可以通过有机方式实现增长，也可以通过收购重组等非有机方式实现增长，而两者是不一样的。那些依靠有机方式实现的增长具有较高的含金量，虽然其增长速度可能较慢，但增长的质量更好，盈利的稳定性、确定性和持续性更强，能给股东带来更高的股东回报。与此相对应的，通过大规模并购重组、大规模融资手段实现的外延式增长虽然可以快速扩大企业规模，快速提升盈利水平，但盈利增长较不具有持续性，而且从全世界的范围来看，并购最终失败的概率很大，风险较高。
②：以全新视角来看企业估值
我们在给企业估值时，一般对增长越快的企业给予越高的估值，有机增长理念则强调了估值高低不仅要看增长的速度，更要看增长的来源、质量和方式。有机增长往往持续性较好，应有更高估值；而很多依赖于并购、融资的增长，表面虽然增长速度很高，但稳定性、持续性差，给股东带来的回报低，因此，不应该给予太高的估值，以前我们很可能为一些低质量的增长付出了过高的价格。总之，增长应该依其不同方式而享有不同的估值。
③：以全新视角来评价企业经营成就
正如巴菲特所说“如果资本回报平平，那么投得多赚得多的记录并不是辉煌的管理成就，把你存在银行账户的钱增加三倍，你的收益也会增加三倍”，我们衡量企业的经营成就时，也不仅要看其赚了多少，增长多少，更要看其耗费了股东多少投入，消耗了多少资源。有一些企业增长很快，但ROE（净资产收益率）一直不高，甚至低于资本成本，那么这类企业与其说是在成长，不如说是在毁灭股东价值。我们也分析过，在中国股市的高估值条件助推下，可以轻松地通过堆积资产、合并报表就制造出一个高速成长的公司，但这类公司并没有表现出什么经营上的成就。在很多重组案例中，我们看到通过直接的资产置换可实现一个上市公司的改头换面、业绩成倍增长，但这大多其实是玩了个腾笼换鸟的游戏而已，其实也不仅没有多少经营成就，当然对社会而言也没有增加什么价值。近几年，对于如何看待央企的经营成就时，国资委已经意识到原有的观点存在不足之处，其已要求央企在2010年全面开展经济增加值（EVA）考核工作。目前来看，以现金流量、分红、ROE、EVA等等这些绩效考核指标则更能够准确地反映企业的经营成就，从而引导企业更加关注长远利益。
④：以全新视角考核公司经营层绩效
这其实是在正确理解企业经营成就基础之上的自然逻辑推导，我们的很多绩效评价和薪酬挂钩机制往往都是和企业的利润总额，以及与利润增长挂钩的，这就鼓励企业经营层一味地把企业做大，不断融资、不断并购扩张，但很多时候是损害股东利益的，因为这样能提高企业利润，实现快速增长，相应经营层也能取得更多奖金，从有机增长的角度，我们认为更合理的做法是在设计绩效奖励机制时，薪酬应该更多地与ROE、EVA等绩效挂钩，不能光看公司盈利多少，增长多少，更要看经营层创造了多少价值，其有机增长的成分与增速是多少等等指标，从而建立起一个更加正确的薪酬绩效考核体系。在这个体系下，那些毁灭价值的经营层不仅不应得到奖赏，反而应该为其资本浪费和无效经营负责。
在国内市场上以前鲜有上市公司的绩效考核触及这一领域，但我们也欣喜地看到，万科作为第一批深入考察绩效体系的上市公司，已经将公司的ROE增长作为经营层获取股权激励的前提。我们相信随着有机增长理念的推广，将会有越来越多的上市公司将经营层的绩效考核乃至薪酬激励计划更多的与ROE（净资产收益率）、EVA（经济增加值）等挂钩，共同推动企业的有机增长，提高中国企业的整体质量。 诚心为你解答，给个好评吧亲，谢谢啦
⑶ 中国股票市场交易数据库查询系统
是国泰安信息技术有限公司 开发的CSMAR 中国股票市场交易数据库
⑷ 美股中现在股价五十美元左右是哪一个
美国股票中现在股价五十美元的左右的。在股票App列表上有很多，你可以自己进行查看。
⑸ 正螺旋效应是怎么产生的
沪深A股市场价格混沌特性研究
Study on Chaos process of stock price in Shanghai and Shenzhen A shares Stock market
研究领域： 金融学
1、前言
现代金融经济学理论假定投资者是理性的，证券价格等于其内在“基本价值”，在这种理想的市场环境中，市场是有效率的。Fama(1970)提出有效市场假说（Efficient Market Hypothesis,EMH），认为在一个有效率的市场中，证券的价格充分反映了所有可获得的信息。为了检验市场是否有效，所采用的方法一般是通过检验证券价格收益率序列是否符合随机游走模型。关于市场效率的实证研究持续了近半个世纪，但结论仍然是存在极大争议的。
自然科学的研究成果表明，一个非线性正反馈系统的演化过程可能产生混沌（Chaos）。许多经济行为模式都是非线性的，例如，投资者对风险与收益的偏好、市场参与者之间的决策博弈、一些经济合同及金融工具的选择性条款等。行为金融学派认为，投资者并非完全理性的，而是存在“代表性直觉（Representativeness heuristic）”等认知偏差（Kahneman 与 Tversky，1979），在这些认知偏差影响下，由于羊群效应（Scharfstein 与 Stein，1990）、外推预期等因素，证券市场存在正反馈机制（De Long等，1990b）。因此，证券价格形成过程中，存在非线性正反馈机制， 在这种机制的驱动下，证券价格有可能出现混沌(Chaos)现象，使证券价格的演变表现出复杂性（Complexity）。
混沌概念是E．Lorenz（1963）最早在研究大气运动时提出的，它是指确定性系统的内在不规则的、永不重复的非周期性运动，这种系统存在内在非线性正反馈动力，其定常状态是一种性态复杂、紊乱但却使终有限的运动状态，且系统的运动路径受系统初始条件及参数影响很大。混沌表面上看起来像随机运动，它能通过所有传统的随机性检验，例如，在许多计算机系统中，类似于Logistic映射这样的混沌过程算法就被作为伪随机数发生器(Pseudo Random Number Generators)产生随机数序列。混沌貌似随机性（Randomness），但它不是随机性。随机性是随机过程，是噪声扰动引起的。而混沌则是由内在确定性的非线性正反馈引起的，因此也被称为确定性混沌(Deterministic Chaos)。
混沌的概念提出以后，对现代金融经济学中有效市场理论的冲击是巨大的。Fama(1970)通过检验证券价格收益率序列在统计上能通过随机行走模型检验，从而认为市场是有效的。但是，如果证券价格收益率序列存在确定性混沌过程，它在数学上也完全能够通过所有随机性检验，但它却不是随机运动，而是受内部确定性过程驱动，这样，传统金融经济学有效市场理论的基础将变得十分脆弱。
本文将简要回顾混沌理论的研究成果及其在金融市场研究中的应用，并对沪深A股市场价格的混沌特性进行实证研究。本文的研究表明，沪深A股市场存在低维确定性过程。
本文余下部分安排如下，第二部分是对混沌理论及相关研究成果进行简要回顾，第三部分对沪深A股市场股票价格混沌特性进行实证研究，第四部分是全文的总结。
2、混沌理论及证券价格的混沌特性
Lorenz（1963）在研究气象预测时发现，大气运动这样的复杂系统存在混沌过程，在一定的条件下，系统运动的轨迹将是围绕两个不动点（即奇异吸引子，Strange Attractor）的发散的螺旋，并局限在一个有界的、体积为零的曲面上，进行不断无规则的振荡。这种不规则的来回振荡，好像飞蛾看到两个光源，飞向一个光源，当靠近时感到太热又飞向另一光源，如此不规则地来回飞腾，其飞行的轨迹永不重复。由于它的形状类似蝴蝶的双翼，所以也被称为Lorenz蝴蝶结，如图1所示。
图1 Lorenz 蝴蝶结
周期运动或周期性振荡是大量存在的，但上述Lorenz过程是非周期振荡，好像永不结束的过程，然而它既不发散也不消失，一直是不规则的振荡。这种振荡的轨迹在三维相空间上是螺旋线，非常密集的曲线在无穷多层平面上呈分形结构（Fractal Structure，参见Mandelbrot, 1985），无穷长，且对初始条件敏感，初始条件中无足轻重的误差能够被系统迅速放大，导致系统的演变路径大相径庭。正如Lorenz 所指出的那样：“巴西一只蝴蝶的扇动可以引发得克萨斯洲的飓风”，即所谓“蝴蝶效应（Butterfly Effect）”。
混沌是作为确定性过程与随机性过程的桥梁，确定性过程是完全可预测的，而随机性过程则是完全不可预测的，而混沌过程则是界于确定性过程与随机性过程之间。由于混沌过程对初始条件敏感，初始细微的误差可以成倍地放大，因此，对于长期来看，系统的演变是不可预测的。但是，如果初始条件保持稳定，运用混沌过程对系统的短期演化状态进行预测，得到的结果将比采用线性随机过程可能得到的预测结果精确得多，因此，混沌过程对经济分析与预测的意义是明显的。这可以解释为什么传统经典金融理论认为奉行图表分析的技术分析是无意义的，但在金融市场仍然存在为数众多的投资者采用技术图表分析，追随证券价格趋势（Murphy, 1986），而且这些交易者并不像传统理论所认为的那样，在与理性交易者长期博弈过程中，这些交易者将因遭受亏损而被赶出市场。
在行为金融学分析框架下，由于证券市场投资者并非完全是古典意义上的理性经济人，投资者存在认知偏差，对同一事件不同投资者具有不同的价值判断，从而表现出不同的决策行为。事实上，按照Kahneman 与 Tversky(1974,1979)提出的前景理论（Prospect Theory），各类投资者的风险偏好并不是固定不变的，存在风险偏好的反转。投资者的价值函数是根据参考点进行定义的，在赢利时是凹函数，在亏损时是凸函数，即在赢利时是风险厌恶型的，而在亏损时是风险追求型的，而且在亏损区间比在赢利区间更陡峭，人们对亏损比对赢利更加敏感。
此外，在前景理论中，投资者权重函数也是非线性的。在极端低概率及极端高概率处，权重函数都存在跳跃，某一事件如果其发生的概率极端地高，明显地接近于1，则决策者在编辑阶段将明确地将其视为确定性的事件，相反，如果某一事件发生的概率极端地小，接近于零，则决策者在编辑阶段可能就将其忽略。因此，人们倾向于对那些极端不可能的事件或者忽略或者高估，而对于一些极端高概率的事件则或者忽视或者夸大。
投资者在决策时存在保守主义(Edwards, W., 1968)，不会轻易对新收到的信息做出反应，除非人们确信得到足够的信息表明环境已经改变。而且投资者的行为模式一般是当环境的变化已经达到一定阀值以后，才一起对所有的信息集中做出反应。例如，对理性投资者来说，其对证券的需求并不完全与证券价格偏离基础价值的程度呈线性关系。在投资实务中，证券分析师与投资经理会经常设定一个他们认为安全的价格线, 价格在此安全价格线以上, 他将进一步等待, 而一旦价格低于这一预先判定的价格时, 他们将迅速大量买入。例如，价值投资理论的创立者本杰明•格拉厄姆（Benjamin Graham）特别强调投资的安全边际（Safety Margin），只有投资者的预期收益达到一定程度以上时，才会建议买入证券。
总之，在证券市场，由于噪声交易者的存在、从众心理及羊群效应等产生的群体性非理性行为可能形成正反馈效应，这种正反馈机制会使证券价格的演变产生十分复杂的运动，在一定条件下产生混沌过程，导致证券价格收益率分布呈现分形等复杂结构，表现出高度的复杂性。例如，价格的突然大幅度波动则导致分布产生胖尾现象，而混沌及局部奇异吸引子的出现，导致证券价格胶着于一些价格附近，来回进行无规则的反复振荡，则使证券价格分布出现局部尖峰的特征。
现实市场中的非线性特性将进一步增加证券价格形成的复杂程度，使市场交易在本质上变成一种不同投资者之间的多轮博弈。由于证券价格的演变可能形成混沌过程，系统的初始状态对证券价格的演变路径影响很大，初始状态细微的差别将导致长期结果的巨大差别，即所谓“失之毫厘，谬以千里”的蝴蝶效应。因此，就长时间跨度来说，证券价格波动的方向及波动的幅度都是难于预测的。股票价格的波动形式既可以呈现出稳定的均衡（即通常所说的“盘整”），也可以是非周期性的振荡，还可以突然出现暴发性上涨（泡沫）或者大幅度下跌（泡沫破灭或者负泡沫）等剧烈波动，局部可能与整体相似，但永不重复且不可逆转，呈现分形等复杂且不规则的分形结构，表现出高度的复杂性。混沌过程所拥有的“蝴蝶效应”还可以解释一些偶然性局部事件所引发的全球性金融市场异常波动，例如，上世纪90年代初的“墨西哥金融危机”及90年代后期的东南亚金融危机等。如果证券价格存在混沌特性，则意味着证券价格变化在短期内存在一定的可预测性，而进行长期预测则是极为困难的，从投资策略角度看，这意味着基于证券价格短期变化的交易者可能存在生存的空间。
在实证研究方面，Fama 1970年提出有效市场假说以后，关于资本市场效率的实证研究不胜枚举，大量经验研究表明，证券价格收益率分布不是高斯分布，具有尖峰与胖尾的特点，经常产生一些极端数值，而且，按不同的时间间隔建立收益率分布曲线，得到的都具有相似的尖峰与胖尾的特征，具有时间分形的特征。Mandelbrot(1972)提出重标极差分析法（Rescaled Range Analysis, R/S分析方法）以后，许多学者运用R/S方法研究了股票市场效率及检验股票市场价格是否存在记忆特性。这方面的文献包括：Peters（1989,1991,1996），Lo（1991）， Pandey，Kohers与Kohers（1998）等。这些经验研究结果显示，金融数据具有长期记忆的特征，即是说，股票当前价格运动受到以前的价格运动的影响。这意味着股票价格存在一定时间区间内的趋势持续效应，这也在一定程度上印证了股票价格形成过程中存在正反馈效应。
Lorenz(1963)提出混沌理论以后，Grassberger and Procaccia(1983a)提出了关联维数（Correlation Dimension）的分析方法，用以识别时间序列是否存在低维确定性过程。Scheinkman 与Lebaron（1989）根据美国证券价格研究中心（CRSP）提供的以市值为权重的美国股票收益率指数，对始于1960年代初期的共1226个周收益率数据考察了其关联维数（Correlation Dimension, CD）, 他们研究得到CD值为6，从而认为美国股票周收益率序列总体表现出了非线性关联，并认为这种非线性关联可以解释金融资产分布的尖峰、胖尾等特性。Brock与Back（1991）再度扩展了Scheinkman 与LeBaron的研究，得到的CD值在7-9之间，因此，也拒绝了股票价格收益率是独立同分布（Independent Identical Distribution，IID）的假设，倾向于支持股价收益率分布存在低维确定性过程的备择假设，但他们同时指出，并不能就此认为存在混沌过程。Urrutia等（2002）的研究则提出了针锋相对观点，他们研究了1984年至1998年期间美国保险公司股票收益率特性，研究表明保险公司股票收益率存在非线性特征，并且进一步验证导致这种非线性的原因就是低维混沌过程。总体而言，这些经验研究提供了实质性的证据表明，股票、汇率、商品期货等金融数据序列存在非线性结构，但就是否明确存在低维确定性混沌过程，则结论不完全一致，仍然存在争论。
对于中国大陆股票市场，戴国强等（1999）对上证综合指数及深证成份指数进行R/S分析，计算得到Hurst指数分别为0.661和0.643；史永东（2000）所作的R/S分析显示，上海证券交易所股票市场的Hurst指数为0.687，而深圳证券交易所股票市场的Hurst指数为0.667；曹宏铎等（2003）计算的深证证券交易所股票市场日收益率、周收益率、月收益率的Hurst指数分别为0.6507，0.7000，0.6906及0.7576。上述经验研究表明，上海及深圳股票市场并不呈随机行走的特征，而具有状态持续特征，同时也意味着中国股票市场不是弱式有效的。
事实上，关于中国股票市场是否弱式有效，一致存在极大争议。正如张亦春与周颖刚（2001）所意识到的那样，一方面，多数研究人士凭经验就感觉到中国股票市场投机性强，远未达到有效状态。例如，沪深A股市场近年来上市公司财务造假不断案发 ，庄家操作市场盛行 ，股价严重脱离内在价值，上海A股市场在2000年及2001年平均市盈率高达60多倍，被很多学者斥为“赌场”，宣称这样一个市场已达到弱式有效状态，确实让人们难以接受。另一方面，许多学者所作的实证研究却表明，证券价格收益率序列十分接近随机行走模型，因而无法有力地拒绝有效市场假设。经验感觉与理论研究结论大相径庭，这其中的原因究竟是什么？到底是现实错了？还是学术理论研究有问题？混沌的思想让我们豁然开朗！因为，如果证券价格存在混沌过程，或者是在混沌过程基础上迭加一个随机过程，那么，市场显然是无效的，但证券价格收益率序列同样能通过随机性检验。例如，假设证券价格波动序列是一个Logistic 映射过程，它显然是一个确定性的混沌过程，但是，这一过程在许多计算机系统是被当作伪随机数发生器，常规的检验方法根本无法识别确定性过程，而是将其视为随机序列！如果这样的话，所有通过考察证券价格是否能够通随机性检验的方法来考察资本市场有效性的研究，其理论基础及研究结论都将受到质疑。
3、沪深A股市场价格混沌特性实证研究
本文同时采用R/S分析方法及关联维数（Correlation Dimension,CD）分析方法考察沪深A股市场的非线性特征。通过R/S分析方法能够识别出证券价格序列是否存在持续效应，这在某种程度上可以验证股票市场是否存在正反馈交易机制，正反馈过程是产生混沌的前提。采用关联维数分析，可以识别股价序列是否存在混沌特征。我们的数据来源于乾隆公司的钱龙资讯系统。
3．1 R/S分析
Hurst（1951），Mandelbrot(1972)及Lo（1991）等所发展并完善了赫斯特指数(Hurst Index)的分析方法，即重标定域（Re-scaled range，R/S）分析方法。
赫斯特指数(H)可以用来识别时间序列的非随机性, 还可以识别序列的非周期性循环，因而可以用于识别时间序列的非线性特征。如果序列的赫斯特指数不等于0.50，则观测就不是独立的，每一个观测值都带着在它之前发生的所有事件的“记忆”，这种记忆不是短期的，它是长期的，理论上讲，它是永远延续的。虽然远期事件的影响不如近期事件的影响大，但残留影响总是存在的。在更宽泛的尺度上，一个表现出赫斯特统计特性的系统是一长串相互联系的事件的结果。今天发生的事情影响未来，今天我们所处的地位是过去我们所曾处的地位的一个结果。
关于Hurst赫斯特指数的详细计算参见文献Mandelbrot(1972)及Lo（1991）等，其计算过程如下：
1．对一个时间序列 ，考察长度为n的时间窗口内的子序列， ，n=1,2,3,……K，计算序列的平均值为：
………………………………（1）
2．计算子序列偏离均值的差值
………………………………（2）
显然， 的均值为零，这是重标定或归一化（标准化）。
3．计算偏离均值的累加值
……………………………（3）
4．计算时子序列的域
………………………………（4）
5．计算采样子序列的标准差
………………………………（5）
6．计算子序列重标定域
……………………………（6）
7．求解全序列 的均值
………………………………（7）
8．求解赫斯特指数
与 有幂关系，即：
……………………………（8）
……………………………（9）
在对数坐标上，设水平轴n，纵轴为 ，对 与 进行回归, 则线性回归的斜率为赫斯特指数。
我们选取上海证券交易所A股综合指数从1990年12月19日至2003年12月23日，以及深圳证券交易所A股综合指数从1992年10月4日至2003年12月23日期间的交易数据，分别计算其日收益率及周收益率序列的赫斯特指数，从而考察沪深A股市场的证券价格是否存在非线性特征。
采用上述方法,计算得到沪深A股综合指数的赫斯特指数,如表1所示，在图2—图5中，还详细地列出了R/S分析图。
表1 沪深A股综合指数Hurst 指数
上海A股指数 深圳A股指数
日收益率序列H值 0.66(t=336) 0.63(t=306)
周收益率序列H值 0.69(t=84 ) 0.69(t=97 )
图2 上证A股指数日收益率序列 图3 上证A股指数周收益率序列
图4 深圳A股指数日收益率序列 图5 深圳A股指数周收益率序列
从表中数据我们可以看到，沪深A股市场的赫斯特指数无论以周数据统计还是以日数据统计，结果基本一致，均在0.60以上。H值大于0.50，意味着今天的事件确实影响明天，即是说，今天收到的信息在其被接收到之后继续被市场计算进去， 这从另一侧面印证沪深A股市场价格并不呈随机行走状态，收益序列之间存在一定的关联性，这是一种持续效应（Persistence effect）。如果股价序列在前一个期间是向上运动的，则它在下一个期间将更可能继续向上运动的趋势，反之，在前一个期间是向下运动的，则它在下一个期间更可能持续向下运动的趋势。股价序列的这一特性与经验感觉是一致的，无论是国内股票市场还是全球其它地区的股票市场，典型的牛市或者熊市，并非短暂的数日或者数月，往往持续数年。而股票市场极其异常的波动，例如，美国股市1929年股灾、1987年的暴跌等，均使投资者对市场的信心受到严重打击，市场在其后很长一段时间深受其影响。股价的持续效应在某种程度上印证了股票市场存在的正反馈效应机制。
3．2 关联维数分析
Grassberger 与Procaccia(1983a,1983b)提出了关联维数（Correlation Dimension，CD）方法，用以考察时间序列的非线性特性。其基本思想是：如果一个混沌过程是n维确定性过程，则该过程将充满n维空间，但如将其置于更高维的空间里，该过程将留下许多“洞眼”。一般地，关联维数度量的是相空间被一组时间序列“填充”的程度，关联维数越大，填充程度越高，表示时间序列内部结构越复杂，它类似随机过程时间序列的程度越强。需要指出的是，我们仅对低维混沌过程感兴趣。 如果股票价格真的是高复杂性的混沌过程，我们采用有限的样本数据是永远也无法识别出其复杂的结构的。此时，它可能与一个良好的“伪随机数发生器”产生的数据相近，高维混沌过程与随机过程将没有实际意义的区别。
设时间序列 由具有 个自由度的非线性动态系统产生，可以构造 维相空间失量：
………………（10）
其中， 被称为镶嵌维(Embedding dimension)， 为适当的时滞单位。时间序列过程在相空间的运行轨道是由一系列 维失量构成。如果该系统最终收敛为一组确定性过程，则该系统的运行轨道将收敛于相空间中维数低于 的相空间子集，即吸引子（Attractor），在这些吸引子周围的运动是混沌过程，具有非周期性且长期运动状态无法预测。
考虑吸引子附近的失量集合 ，关联积分（Correlation Integral） 定义为对于任意给定的 ，那些彼此之间的距离小于 的点数对（Pairs of Points） 的数量占所有可能的点数对的比例，即：
……………………（11）
其中， ……………（12）
当 时，对任意小 ，可以预期C遵循指数幂变化规律，即：
，从而关联幂（Correlation Exponent）可以通过对 与 对回归计算得到：
……………………………（13）
如果系统存在确定性混沌过程，随着镶嵌维数的增加，关联幂D值达到饱和值以后，将大约保持不变，这一关联幂指数的饱和值就是吸引子的关联维数。如果系统是随机过程，则随着镶嵌维数的增加，D值亦将成比例地增加，趋向无穷大 。
图6 上证A股指数在不同镶嵌维空间中的关联积分
图7 上证A股指数关联维
我们考察上海证券交易所A股综合指数从1990年12月19日至2003年12月31日期间日收益率时间序列的关联维。图6为上证A股综合指数在1-8维相空间中关联积分 随 值的变化情况。从图中我们可以看到，在 值处于0.0003-0.005区间时, 与 的变化呈现出指数幂关系。图7是关联幂D随镶嵌维数m的变化情况，我们可以看到，随着镶嵌维数m超过2以后，关联幂D值不再增加，而是稳定于大约 区间, 即上证A股综合指数的关联维数大约为1.4, 因此, 我们可以推测, 上证A股综合指数存在关联维数大约为 的低维确定性混沌过程。
相对于Scheinkman 与Lebaron（1989）及Brock与Back（1991）等计算得到的成熟资本市场关联维数，我们计算得到的上海A股市场的关联维数明显更低。如果时间序列是一个低维确定性过程，则意味着时间序列在短期是具有一定的可预测性的。从这个意义上看，我们认为，相对成熟资本市场，上海A股市场指数的随机性程度更低，而短期可预测性更强，这在某程度上也说明市场效率程度相对更低。另外，由于混沌特性，证券价格在短期具有一定的预测性，但进行长期预测则是极为困难的，从投资策略角度看，意味着基于证券价格短期变化的交易者可能存在获取利润的空间。
4、结论
在一个存在非线性正反馈机制的系统中，系统的演化理论上可能出现混沌过程。 证券市场由于噪声交易者的存在、从众心理及羊群效应等产生的群体性非理性行为，形成正反馈效应，从而可能导致证券价格的演变呈现出混沌过程，表现出复杂性。
本论文所做的实证研究表明，沪深A股市场指数的赫斯特指数大于0.5，这意味着沪深A股市场价格并不呈随机行走状态，收益序列之间存在趋势持续的特性，这也在一定程度上说明了股价形成过程中存在正反馈效应。对上海A股市场指数的考察进一步表明，上海A股市场指数收益率序列存在低维确定性混沌过程，其关联维数大约为1.4。 这一数值远低于成熟资本市场的指标，这表明上海股票市场指数收益率序列随机性低于成熟资本市场, 市场在短期的可预测性更强一些, 这在某种程度上表明市场的效率程度更低一些。市场存在确定性混沌过程，市场显然是无效的，但是，由于混沌过程同样能够通过随机行走模型检验, 我们认为, 这也许是为什么关于资本市场效率的传统实证检验结果仍然存在极大争议的原因。因为常规检验方法无法区分混沌过程与随机过程，因此，本论文认为，所有采用常规方法，通过考察证券价格是否符合随机游走模型，从而推断资本市场有效性的研究，其理论基础及研究结论均存在严重缺陷。由于证券价格运动的混沌特性，这意味着证券价格在短期具有一定的可预测性，但进行长期预测则是极为困难的。证券价格的这种混沌特性，从投资策略角度看，意味着基于证券价格短期变化的交易者可能存在生存的空间。
内 容 提 要
行为金融理论认为，投资者不是完全理性的，而是存在各种认知偏差。由于噪声交易者的存在、从众心理及羊群效应等产生的群体性非理性行为，证券市场存在正反馈效应。而且，投资者行为模式都是非线性的，在一个存在非线性正反馈机制的系统中，证券价格的演化可能出现混沌过程。
本论文所做的实证研究表明，沪深A股市场价格并不呈随机行走状态，而是存在非线性结构；上海A股市场指数收益率序列存在低维确定性混沌过程，其维数大约为1.4, 这一数值远低于成熟资本市场的指标，这表明上海股票市场指数收益率序列随机性低于成熟资本市场。由于市场存在确定性混沌过程，市场虽然是无效的，但同样能够通过随机行走模型检验，这也从某一角度说明了，为什么关于资本市场效率的传统实证检验结果仍然存在极大争议。由于混沌的存在，证券价格变化在短期具有一定的可预测性，但进行长期预测则是十分困难的。
⑹ csmar数据库中有没有知道股票是属于哪个指数的
有。
csmar市场交易数据的开发借鉴crsp等国际知名数据库的成功经验，把整个股回报率，市场回报率和综合市场回报率等数据项目直接提供给用户使用。