东北大学工商管理学院苑莹yyuanmailneueducn.ppt

《东北大学工商管理学院苑莹yyuanmailneueducn.ppt》由会员分享，可在线阅读，更多相关《东北大学工商管理学院苑莹yyuanmailneueducn.ppt（37页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、东北大学工商管理学院苑莹yyuanmailneueducn Still waters run deep.流静水深流静水深,人静心深人静心深 Where there is life,there is hope。有生命必有希望。有生命必有希望理理 论论 依依 据据 异异 象象 性性 特特 征征多重分形特性研究多重分形特性研究在金融风险管理中的应用在金融风险管理中的应用非线性检验非线性检验长记忆性长记忆性多标度特性多标度特性 可预测性可预测性 基于符号序列方基于符号序列方法的股价预测法的股价预测基于神经网络模基于神经网络模型的股价预测型的股价预测多重分形结构及多重分形结构及成因分析成因分析股市收益率

2、的标股市收益率的标度突变现象度突变现象长记忆性与市场长记忆性与市场发展状态的关系发展状态的关系多重分形谱参数多重分形谱参数与股价波动关系与股价波动关系基本思路基本思路 21 1）研究背景）研究背景国际国际全球经济一体化大环境下，金融风险的防范已经成为金融市场全球经济一体化大环境下，金融风险的防范已经成为金融市场发展的首要问题发展的首要问题 一、一、国内国内沿用沿用EMHEMH理论来认识和定位中国股市价格变化，具有其局限性理论来认识和定位中国股市价格变化，具有其局限性 现实背景现实背景对对EMH的质疑的质疑EMHEMH关于金融市场本质特征的认识存在较大缺陷：关于金融市场本质特征的认识存在较大缺陷

3、：l 对种种异常现象解释不足对种种异常现象解释不足l 基于基于EMHEMH发展起来的风险管理方法对重大金融风险或金融发展起来的风险管理方法对重大金融风险或金融 危机也没有起到预警作用危机也没有起到预警作用新新 金金 融融 学学 时时代代 的的 来来 临临“行为金融学行为金融学”流派流派以心理学上的发现为基础以心理学上的发现为基础“经济物理学经济物理学”流派流派科学、高度的可操作性科学、高度的可操作性 理论背景理论背景3有效市场有效市场理论理论分形市场分形市场理论理论多重分形多重分形理论理论更符合实际市更符合实际市场的统计特性场的统计特性多重分形模型被认为是迄今为止最为多重分形模型被认为是迄今为

4、止最为全面的描述价格波动特征的模型全面的描述价格波动特征的模型一个分形维是一个分形维是否能很好地描否能很好地描述市场的分形述市场的分形结构？结构？价格增量不同部价格增量不同部分的相关性及其分的相关性及其在时间轴上的分在时间轴上的分布是否一致？布是否一致？对种种异常对种种异常现象解释不现象解释不足足2 2）问题的提出）问题的提出一、一、43 3）研究方法）研究方法基础基础基础基础理论理论理论理论金融学、分形几何学、时间序列分析、经济物理学、金融学、分形几何学、时间序列分析、经济物理学、计量经济学计量经济学 一、一、实证实证实证实证方法方法方法方法J-BJ-B检验、检验、K-SK-S检验、检验、A

5、DFADF检验、检验、Q Q统计量检验、统计量检验、BDSBDS检验、检验、R/SR/S分分析、盒维数分析、析、盒维数分析、DFADFA分析、多仿射分析、多重分形谱分析、分析、多仿射分析、多重分形谱分析、MF-DFAMF-DFA分析、符号序列方法、神经网络方法分析、符号序列方法、神经网络方法实证实证工具工具Matlab自行编程，自行编程，Eviews4.0作以辅助工具作以辅助工具研究研究对象对象以上证指数为研究主线，以深成指数为辅助研究对象，并根据需要对以上证指数为研究主线，以深成指数为辅助研究对象，并根据需要对指数收盘价，指数日收益率及每指数收盘价，指数日收益率及每5分钟高频指数三组序列进行

6、研究。分钟高频指数三组序列进行研究。5 多标度特性多标度特性 3.长记忆性长记忆性 2.非线性检验非线性检验 1.中国股票市场的异象性特征中国股票市场的异象性特征 可预测性可预测性 4.二、二、6异象性特征异象性特征非线性检验非线性检验一、一、二、二、指数样本数均值最大值最小值标准差峰度偏度J-BK-S上证36930.000660.71915-0.17910.02718147.786.0383532476870.462深成36340.000290.23267-0.24430.02337319.2760.5576440300.780.465表表3.13.1股价指数日收益率基本统计量 u基本统计量

7、检验基本统计量检验uADF检验检验ADF统计量临界值（1%）临界值（5%）临界值（10%）-21.76361-2.5663-1.9394-1.6156-20.69117-2.5663-1.9394-1.6156表表3.23.2 股指收益序列的ADF检验uQ Q统计量检验统计量检验表表3.33.3 股指收益序列的Ljing-box检验：修正Q统计量滞后阶数51020304050上海Q统计34.612*38.264*65.7*83.47*96.066*105.95*深圳Q统计42.76*56.725*71.605*94.765*105.78*121.92*注：*表示在0.01水平下显著7异象性特征

8、异象性特征非线性检验非线性检验一、一、三、三、表表3.43.4 BDS统计量mr0.511.52mr0.511.52上海20.033(0.00)0.042(0.00)0.03(0.00)0.018(0.00)深圳20.021(0.00)0.035(0.00)0.027(0.00)0.017(0.00)30.046(0.00)0.083(0.00)0.067(0.00)0.044(0.00)30.026(0.00)0.066(0.00)0.061(0.00)0.040(0.00)40.048(0.00)0.116(0.00)0.105(0.00)0.073(0.00)40.022(0.00)0.

9、085(0.00)0.092(0.00)0.066(0.00)50.042(0.00)0.136(0.00)0.138(0.00)0.101(0.00)50.016(0.00)0.093(0.00)0.118(0.00)0.090(0.00)60.035(0.00)0.149(0.00)0.165(0.00)0.126(0.00)60.010(0.00)0.093(0.00)0.139(0.00)0.113(0.00)uBDSBDS检验检验方方 法法结结 论论J-B、K-S统计检验非正态分布ADF检验非随机游走BDS检验非线性相关均不支持中国股票市场达到弱式有效的结论。均不支持中国股票市场达到

10、弱式有效的结论。结论结论 二、二、8一、一、异象性特征异象性特征长记忆性特征长记忆性特征优势：优势：能够检验时间序列中的长记忆性劣势：劣势：它却无法区分序列存在的短程依赖关系和长程依赖关系优势：优势：当一个时间序列表现出短记忆性时，能得到正确的结果劣势：劣势：当一个时间序列实际上具有长程相关性，却趋向于接受短 期记忆的零假设，从而得出错误的结论。优势：优势：消除了局部趋势，并且局部趋势相关性容易被发现。表表3.73.7 不同方法下标度指数值 指数指数经典R/S修正R/SDFA上证指数0.6450.5820.584深成指数0.6380.6110.606经典经典R/S分析分析 修正修正R/S分析分

11、析 DFA分析分析二、二、9异象性特征异象性特征多标度特性多标度特性图图3.14f()图图3.13(q)q图图3.123.12 LnMq(T)LnT u值是一个标度范围（值是一个标度范围（0.83-1.49）,刻画了不同幅度波动下的多标度特征刻画了不同幅度波动下的多标度特征u在整个标度范围上都大于在整个标度范围上都大于0.5，印证了具有长记忆性的分形特征，印证了具有长记忆性的分形特征;u f()0，说明指数处于高价位的机会比处于低价位的机会要大。，说明指数处于高价位的机会比处于低价位的机会要大。二、二、10异象性特征异象性特征可预测性可预测性基本方法：基于指数涨落的符号序列方法基本方法：基于指

12、数涨落的符号序列方法图图3.173.17当基期天数为M 时的条件概率和比率(a)M=1(b)M=2(c)M=3(d)M=4u条件概率条件概率p与比率与比率r对于均值都有一定的偏离。这说明指数的涨落对于均值都有一定的偏离。这说明指数的涨落 不是完全随机的，并且可以以一定的条件概率来预测指数的涨落。不是完全随机的，并且可以以一定的条件概率来预测指数的涨落。二、二、11异象性特征异象性特征总结总结尖峰厚尾尖峰厚尾长期记忆长期记忆多标度特性多标度特性可预测性可预测性有效市场理论及简有效市场理论及简单分形理论不能适单分形理论不能适应对市场更深层次应对市场更深层次刻画及理解的需要刻画及理解的需要二、二、1

13、23.2.1.中国股票市场的多重分形特性研究中国股票市场的多重分形特性研究 4.股市收益率的多重分形结构及成因分析股市收益率的多重分形结构及成因分析股市收益率的标度突变现象股市收益率的标度突变现象长记忆性与市场发展状态的依赖性长记忆性与市场发展状态的依赖性多重分形谱参数与股价波动趋势之间的关系多重分形谱参数与股价波动趋势之间的关系三、三、13多重分形特性研究多重分形特性研究MF-DFA分析分析股市收益率多重分形结构及成因分析股市收益率多重分形结构及成因分析l 长范围相关性造成的；（重排处理）l 波动的胖尾概率分布引起的；（相位随机化处理）表表4.1 4.1 股指收益率的广义赫斯特指数股指收益率

14、的广义赫斯特指数uh(q)随随q的的增增加加呈呈递递减减变变化化，说说 明明收收益益率率具具有有多多重重分分形形结结构构。u原原始始序序列列、重重排排序序列列及及替替代代序序 列列的的多多重重分分形形强强度度依依次次递递减减，说说明明对对于于价价格格波波动动的的多多标标度度变变 化化，持持久久相相关关性性起起到到了了重重要要的的 作作 用用,是是形形成成多多重重分分形形特特征征的的 主要原因。主要原因。阶数上证指数收益序列的h(q)深成指数收益序列的h(q)q原始重排替代原始重排替代-101.16060.80040.61841.41570.75340.5992-81.13350.77810.6

15、0591.38840.73330.5837-61.09090.74710.58911.34320.70510.5635-41.01650.70230.56511.2570.66450.5364-20.85340.63510.52981.04370.60210.495800.60220.54950.48730.63140.52610.44820.47680.45620.46380.56770.48890.42840.34910.31260.44370.50450.45110.409360.28360.20490.42560.46250.41890.390480.24820.1430.40990.

16、43580.39530.3741100.22600.10550.39680.41770.37830.3611h0.93460.69490.22160.9980.37510.2381三、三、14 中国股票市场的多重分形特性研究中国股票市场的多重分形特性研究 图图4.54.5 上证指数原始收益序列的Ln(Fq(s)-Lns函数关系图 图图4.64.6 重排后的收益序列的Ln(Fq(s)-Lns函数关系图图图4.74.7 相位随机化后的收益序列的Ln(Fq(s)-Lns函数关系图 股市收益率的标度突变现象股市收益率的标度突变现象u图图4.5中，当中，当q取得负值时，波动函数在取得负值时，波动函数在3

17、Ln(s*)3.5，即，即s*约为约为2828处存在标度突变点。处存在标度突变点。u图图4.6和和4.7中突变点位置左移，分别在中突变点位置左移，分别在s*99（重排）和（重排）和s*66（替代）处（替代）处三、三、15v股市收益率的标度突变现象（续）股市收益率的标度突变现象（续）图图4.9 广义Hurst指数图图4.10(q)q 图图4.11 f()图形上述实证研究表明：上述实证研究表明：在在s s*的情况下，多重分形强度较弱，的情况下，多重分形强度较弱，Hurst指数为指数为0.438,这意味着收益序列这意味着收益序列表现为反持久性特征。表现为反持久性特征。多重分形特性研究多重分形特性研究

18、MF-DFA分析分析三、三、16v股市收益率的长记忆性与市场发展状态间的关联性股市收益率的长记忆性与市场发展状态间的关联性表表4.6.不同国家股价指数的H(1)及H(2)值Nasdaq100S&P500Nikkei225AK&MJSXCLSEG上证指数深成指数H(1)0.470.470.460.650.570.610.5940.601H(2)0.450.440.430.510.530.580.540.577从表可以看出，广义从表可以看出，广义Hurst指数指数H(1)及及H(2)的值对市场的成熟程度的值对市场的成熟程度非常敏感非常敏感：新兴市场具有较高的新兴市场具有较高的H(1)值，而且值，而

19、且H(1)及及H(2)值均大于值均大于0.5。发达市场具有较低的发达市场具有较低的H(1)值，而且值，而且H(1)及及H(2)值均小于值均小于0.5。多重分形特性研究多重分形特性研究多仿射分析多仿射分析三、三、17多重分形特性研究多重分形特性研究价格波动的多重分形特性价格波动的多重分形特性多重分形谱参数与股价波动之间的关系多重分形谱参数与股价波动之间的关系 （a）1月11日 （b）1月12日图图4.134.13 一天中每5分钟高频指数变化的趋势 （a）1月11日 （b）1月12日图图4.14 4.14 图4.13所对应的多重分形谱左图：左图：I(a)I(b)右图：右图：(a)(b)I(a)主要

20、在中线以上；I(b)主要在中线以下f(a)0,f(b)0 u 多重分形谱参数多重分形谱参数和和f可以在一定程度上反映指可以在一定程度上反映指 数本身的变化范围和高低价位出现频率的变化。数本身的变化范围和高低价位出现频率的变化。三、三、18多重分形特性研究多重分形特性研究股价发生大幅波动条件下多重分形谱参数的异常变化股价发生大幅波动条件下多重分形谱参数的异常变化 u多重分形谱的二次函数拟合多重分形谱的二次函数拟合参数与系数意义0越大，说明波动越剧烈，越不规则max指数的最低值min 指数的最高值B非对称系数B0,谱右偏，较高分形指数占据主导地位B=0，谱对称W多重分形强度的量度，W越大表示股价波

21、动越剧烈u各参数与拟合系数的含义各参数与拟合系数的含义三、三、19多重分形特性研究多重分形特性研究 图图4.17 0 变化趋势图 图图4.19 min及max 变化趋势图 图图4.20 C 变化趋势图图图4.164.16 股价指数波动趋势图 图图4.18 W 变化趋势图 图图4.21 B 变化趋势图三、三、20多重分形特性研究多重分形特性研究图图4 4.1 17 7:当股价指数发生大幅波动时，对应位置的0的值突然增加，并且达到局部峰值。而且股价指数的波动趋势与0变化趋势具有统计上的相似性。图图4.18:当指数发生大幅波动时，W的值也相应增加，并同样达到局部峰值，这说明指数变化的范围增加。图图4

22、.19:在股价指数发生大幅波动的相应位置，max及min均有显著的变化，其中max随股价指数的波动成正相关的变化，而min随股价指数的波动成负相关变化，并且max和min的趋势相对于=1成近似对称的图形。max表示指数的最低值，min表示指数的最高值。因此可以发现当股价指数发生大幅波动时，max突然增加，说明指数最低值降低，而min突然减小，说明指数的最高值增加，二者共同作用说明指数的变化范围增加。图图4.20:变化趋势与股价指数的波动趋势也具有统计上的相似性。图图4.21:偏斜系数B值在正负之间变化具有随机性，说明较高指数占据主导地位与较低指数占主导地位是随时变化的，这意味着股价指数时常会出

23、现波动。股价持续大幅波动条件下多重分形谱参数的异常变化股价持续大幅波动条件下多重分形谱参数的异常变化三、三、21多重分形特性研究多重分形特性研究多重分形谱参数与收益率的关联性多重分形谱参数与收益率的关联性（a）R的点分布图（b）av随R变化的直方图 图图4.234.23 多重分形谱参数随对数收益率R变化左左图图：大部分点集中在R=0和=0的位置附近(主要在-2S%2附近),但还是有很多点偏离了R=0，并且从点分布图上基本可以说R偏 离0越 大，越大。右右图图：直方图证实了这个结论，即指数变化越大（或升或降），越大实际上，股票市场的收益率R与当日指数的振荡有关联，收盘指数的绝对值越大，振荡就越剧

24、烈，这就导致了与R之间的关联性。三、三、22多重分形特性研究多重分形特性研究多重分形谱参数与收益率的关联性多重分形谱参数与收益率的关联性 （a）fR 的点分布图（b）fav随R变化的直方图图图4.244.24多重分形谱参数f随对数收益率R变化 左左图图：似乎第一象限点的数目多于第二象限，第四象限点的数目略多于第三象限，并且这种趋势在f和R的绝对值较大时更为明显。右右图图：大多数的点集中在-2R%2且-0.1f0.1的区间内，而且除个别区间外（3个区间），大多数的f随R绝对值的增加而减少。通过对股价指数进行多重分形谱分析可以在多重分形谱通过对股价指数进行多重分形谱分析可以在多重分形谱参数和股价指

25、数的变化间建立关联性，从而可以以一定参数和股价指数的变化间建立关联性，从而可以以一定概率预测股市的涨落。概率预测股市的涨落。三、三、23 2.1.多重分形理论在金融风险管理中的应用多重分形理论在金融风险管理中的应用基于符号序列方法的股价方向预测基于符号序列方法的股价方向预测基于神经网络模型的非线性预测基于神经网络模型的非线性预测四、四、24u基于多重分形谱参数基于多重分形谱参数f的符号序列方法的符号序列方法 基于符号序列方法的股票价格方向预测基于符号序列方法的股票价格方向预测u两种符号序列方法的比较两种符号序列方法的比较（a）I符号序列（b）f符号序列（a）I符号序列（b）f符号序列图图5.1

26、当基期天数M为3时，两种符号序列的条件概率和比率图图5.2当基期天数M为4时，两种符号序列的条件概率和比率四、四、多重分形理论在金融风险管理中的应用多重分形理论在金融风险管理中的应用25 两种符号序列方法的比较（续）两种符号序列方法的比较（续）f与一天中许多指数相关，能够获得更多关于市场有用的信息与一天中许多指数相关，能够获得更多关于市场有用的信息 (查尔斯查尔斯道道):):收盘价是股票价格中最重要价格，所揭示的信息是不容忽视的收盘价是股票价格中最重要价格，所揭示的信息是不容忽视的 股票价格方向预测的股票价格方向预测的结果结果 大涨落下的条件概率大涨落下的条件概率图图5.4 5.4 当基期天数

27、为当基期天数为2 2时，时，两种符号序列预测的条件概率分布图两种符号序列预测的条件概率分布图四、四、多重分形理论在金融风险管理中的应用多重分形理论在金融风险管理中的应用26（a）I符号序列（b）f符号序列符号序列方法对股票价格方向预测的符号序列方法对股票价格方向预测的结果结果 大涨落下的条件概率大涨落下的条件概率图图5.5当基期天数为3时，两种符号序列预测的条件概率图图5.6当基期天数为4时，两种符号序列预测的条件概率（a）I符号序列（b）f符号序列 通常随着阈值的增大，通常随着阈值的增大，pmax和和pmin对对50%50%的偏离也增大。两种方法都能给出较的偏离也增大。两种方法都能给出较大的

28、概率大的概率,这说明指数在大的涨落下，条件与指数变化的关联性比小的涨落要这说明指数在大的涨落下，条件与指数变化的关联性比小的涨落要强得多。强得多。四、四、多重分形理论在金融风险管理中的应用多重分形理论在金融风险管理中的应用27条件概率p(+j)只考虑了指数在下一天上涨时概率为多少，为了定量说明预测结果，引入条件平均增益g(j):其中Nj为具有第j个条件的预测天数，In为在Nj个预测天中第n天的收盘指数变化值。符号序列方法对股票价格方向预测的符号序列方法对股票价格方向预测的结果结果 条件平均增益条件平均增益 图图5.7 5.7 当基期天数为当基期天数为2 2时，时，两种符号序列预测的条件平均增益

29、两种符号序列预测的条件平均增益四、四、多重分形理论在金融风险管理中的应用多重分形理论在金融风险管理中的应用28（a）I符号序列（b）f符号序列图图5.85.8当基期天数为3时的条件平均增益符号序列方法对股票价格方向预测的符号序列方法对股票价格方向预测的结果结果 条件平均增益（续）条件平均增益（续）（a）I符号序列（b）f符号序列图图5.95.9当基期天数为4时的条件平均增益通常情况下，随着阈值的增大，条件平均增益通常情况下，随着阈值的增大，条件平均增益gmax和和gmin分别迅速增大和减小；分别迅速增大和减小；在不同的阈值下，在不同的阈值下，gmax和和gmin所对应的条件都是不变的，即在所对

30、应的条件都是不变的，即在gmax对应的条件下股对应的条件下股 价指数发生大涨的机会多，而在价指数发生大涨的机会多，而在gmin对应的条件下，股价指数发生大跌的机会多；对应的条件下，股价指数发生大跌的机会多；gmax和和gmin所对应的条件与发生大涨大落时所对应的条件与发生大涨大落时pmax和和pmin所对应的条件完全相同；所对应的条件完全相同；四、四、多重分形理论在金融风险管理中的应用多重分形理论在金融风险管理中的应用29符号序列方法对股票价格方向预测的符号序列方法对股票价格方向预测的结果结果 条件平均增益（续）条件平均增益（续）基于多重分形谱的神经网络建模及股价预测基于多重分形谱的神经网络建

31、模及股价预测 神经网络模型：良好的非线性品质、极高的拟合精度、灵活而有效的学习方式神经网络模型：良好的非线性品质、极高的拟合精度、灵活而有效的学习方式实证研究结果已经表明，多重分形谱参数与股价波动之间具有一定的关联性，实证研究结果已经表明，多重分形谱参数与股价波动之间具有一定的关联性，而且该种关联性又具有时间上的延续性而且该种关联性又具有时间上的延续性u基于多重分形谱的神经网络模型的提出基于多重分形谱的神经网络模型的提出u基于多重分形谱的神经网络模型结构设计基于多重分形谱的神经网络模型结构设计模型类型模型类型三层BP神经网络传递函数传递函数Sigmoid函数，yi=1/1+exp(-xi)隐含

32、层神经元个数隐含层神经元个数10个变量选取变量选取输入变量：昨天和前天的多重分形谱参数以及前三天的股指收益率，即 t-1、t-2、f t-1、f t-2、St-3、St-2和St-1；输出变量：当日股指收益率，即St训练与预测数目的选训练与预测数目的选取取选取上证指数2003年7月1日至2003年10月8日共66个数据进行研究，前50个数据进行训练，后16个数据进行预测（Hill）四、四、多重分形理论在金融风险管理中的应用多重分形理论在金融风险管理中的应用31图图5.12 5.12 神经网络训练效果图图5.13 5.13 神经网络预测效果天数实际值预测值绝对误差误差率11420.071429.

33、89.730.69%21423.181407.14-16.04-1.13%31423.961410.7-13.26-0.93%41409.161431.1622.001.56%51397.541387.24-10.30-0.74%61406.11394.79-11.31-0.80%71389.821411.421.581.55%81390.481381.83-8.65-0.62%91391.371401.059.680.70%101381.441398.5817.141.24%111390.171361.79-28.38-2.04%121394.231383.81-10.42-0.75%131

34、376.291380.153.860.28%141370.841391.7520.911.52%151355.331378.0222.691.67%161367.161349.94-17.22-1.26%表表5.25.2 BP神经网络预测效果测试预测过程及结果预测过程及结果结论结论：整体趋势与实际值大体相同，而且在整体趋势与实际值大体相同，而且在某些峰值处也达到了较好的拟合效果。某些峰值处也达到了较好的拟合效果。四、四、多重分形理论在金融风险管理中的应用多重分形理论在金融风险管理中的应用32 发表论文情况发表论文情况一、一、11YuanYing,ZhuangXin-tian,JinXiu.Me

35、asuringmultifractalityofstockpricefluctuationusingmultifractaldetrendedfluctuationanalysisJ.Physica A：Statistical Mechanics and its Applications,2009,388（11）:2189-2197(SCI/EI检检索索：UTISI:000265350900011,AccessionNumber:20091311982748)22YuanYing,ZhuangXin-tian.Multifractaldescripitionofstockpriceindexf

36、luctuationusingaquadraticfunctionfittingJ.Physica A：Statistical Mechanics and its Applications,2008,387(2-3):511-518(SCI/EI检索检索，UTISI：000251896800017，AccessionNumber：074810955722).3苑莹，庄新田，金秀.基于MF-DFA的中国股票市场多标度特性及成因分析J.管理工程学报管理工程学报,2009,23(4):96-99.4苑莹，庄新田.股票市场多重分形性的统计描述J.管理评论管理评论,2007,19(12)：3-8.5苑莹

37、，庄新田.国际汇率的多重分形消除趋势波动分析J.管理科学管理科学,2007,10(4)：80-85.6庄新田，苑莹.中国股票市场的标度突变现象及其特征研究J.系统工程学报，系统工程学报，2009,24(1):79-8333 发表论文情况发表论文情况一、一、77苑莹，庄新田.金融时间序列的标度特性实证研究J.管理工程学报管理工程学报，2008，22(2)：85-89.88苑莹，庄新田.股指大幅波动前后的多重分形特征统计J.系统管理学系统管理学报报，2008,17(3):278-282.99庄新田，苑莹.基于多重分形谱的神经网络建模及股价预测J.系统管理系统管理学报学报，2007,16(4)：35

38、1-355.1010苑莹，庄新田.基于符号序列方法的股价指数预测研究J.数理统计与管数理统计与管理理，2007，26(4)：602-609.1111苑莹，庄新田.股票市场的多重分形Hurst分析J.管理学报管理学报，2007，4(3)：383-387.1212苑莹，庄新田，金秀.不同股市收益率的多重分形特性比较J.管理学报管理学报，2009，6(4)：502-505.1313苑莹，庄新田.中国股票市场的长记忆性与市场发展状态J.数理统计与数理统计与管理管理，2008，27(1):156-163.34 发表论文情况发表论文情况一、一、1414苑莹，庄新田，金秀.多重分形理论在资本市场中的应用研究

39、综述J管理管理学报学报，2010,9(7):1397-1402.1515苑莹，庄新田，金秀.期货价格收益序列的多重分形统计描述及成因分析J.东北大学学报东北大学学报（自然科学版自然科学版），），2010,31(4):605-608（EIEI检索检索，Accession Number：20102112949985）.1616 苑莹，庄新田.我国沪铜期货价格的分形特征统计研究J.东北大学学报东北大学学报（自然科学版自然科学版），），2008,29(1):137-140（EI检索，Accession Number：080811110571）.1717Zhuang Xin-tian，Yuan Ying

40、.An Empirical Study on Relationship of Equity Ownership,Equity Concentration Degree and Firm Performance in Chinese Listed Company J.The Journal of Business and Economics,2006,22(2):165-178.1818苑莹，庄新田.上海股票市场的标度特征J.东北大学学报东北大学学报（自然科学版自然科学版），），2006，27(10)：1177-1180.1919苑莹，庄新田.上海股票市场的非有效性与可预测性研究J.统计与决策统计与决策，2007，4(1)：7-8.35一、一、近三年研项目情况近三年研项目情况1 1、国家自然科学基金（、国家自然科学基金（7090101770901017），负责人），负责人2 2、中国博士后特别资助项目（、中国博士后特别资助项目（200902546200902546）,负责人负责人3 3、中国博士后科学基金二等资助（、中国博士后科学基金二等资助（2008044109520080441095）,负责人负责人36一、一、谢谢各位！谢谢各位！37