一、基于产业和市场结合的资本资产定价模型研究（论文文献综述）
钱玲玲[1]（2021）在《中国大陆股市与国际主要股市的相依性、风险溢出与影响因素研究》文中认为随着中国经济的快速发展和金融市场一体化进程的加速,中国大陆与全球主要经济体之间的经济、贸易和金融联系日益紧密,其金融市场呈现出非线性、非对称性、尾部相依性等复杂的相依关系。与此同时,风险在国际金融市场间的传导速度也在不断加快,风险度量和管理的难度日益增加。因此,准确地描述金融市场相依性、有效地度量金融风险以及合理地检验风险溢出已成为现代金融分析亟待解决的关键问题。探究中国大陆股市与国际主要股市的相依性、风险溢出与影响因素对于促进我国大陆金融市场的国际化和维护经济金融安全具有重要的理论和现实意义。在金融市场相依性和风险管理的研究和实践中,金融市场的非线性相依、尾部相依等特征已导致传统的相依性与风险溢出分析方法不再适用,Copula理论的出现及其成功应用提供了一个很好的解决方案。基于此,本文综合利用Copula函数等计量方法来描述金融市场间复杂的相依性,更准确地进行风险度量和风险溢出检验。具体而言,为了研究中国加入WTO后中国大陆股市与中国香港、中国台湾、美国、日本、韩国、澳大利亚、英国、法国、德国、巴西、俄罗斯、印度股市的相依性、风险溢出与影响因素,本文首先构建了四种边缘分布模型,从而选取描述样本股市收益率边缘分布的最优模型,为正确利用Copula函数进行分析奠定了基础。研究发现,非参数ARMA-GARCH族-EVT模型最适于描述样本股市的边缘分布。其次,在相依性建模阶段,本文利用了9种静态Copula函数、3种时变Copula函数和DCC-GARCH模型对上证综指与其他样本股指两两组合的相依结构进行刻画。结果表明,在样本期间,中国大陆股市与国际主要股市的相依性整体较弱,且具有显着的时变性与区域性特征。进一步,结构突变点的诊断结果表明,中国大陆股市与国际主要股市的相依性受到金融危机等事件的影响,表现出显着的阶段性特征。再次,在经济基础说、资本流动说和市场传染说的基础上,本文从经济政策不确定性、共同冲击、宏观经济状况和股市特性四个方面探究了中国大陆股市与国际主要股市相依性的影响因素。面板回归结果显示,经济政策不确定性差异和利率差异显着降低了股市相依性,而全球金融危机和贸易依存度产生了正面影响。此外,本文在考察股票这一类资产内部不同国家（地区）相依性的基础上,进一步探讨了股票资产与其他金融资产的相依性。具体而言,本文以近年来新兴的数字货币资产为代表,利用Copula函数、DCC-TGARCH和DCC-MIDAS模型探究了全球股市与数字货币市场的跨资产类别相依性以及经济政策不确定性和新冠肺炎疫情对其的影响。结果表明,全球股市组合与数字货币市场指数CRIX间的相依性较低,说明数字货币对股市具有一定的风险对冲能力,并且经济政策不确定性与新冠肺炎疫情有一定影响。最后,考虑到Vine Copula模型在描述多变量间复杂相依结构方面的优势,本文利用三种Vine Copula模型进行分析建模,以确定最优模型。结果表明,R-Vine Copula最适于描述中国大陆股市与国际主要股市的高维相依结构,且样本股市的相依性存在明显的结构差异。基于R-Vine Copula模型,本文结合蒙特卡洛模拟法和基于滚动时间窗的估计样本外预测方法估计了各股指及其组合的在险价值（Va R）,进而选用Va R-Granger因果检验与Diebold&Yilmaz溢出指数探究了中国大陆股市与国际主要股市的风险溢出。结果表明,从中国大陆股市到美国、法国和德国股市均表现出了极端风险的溢出效应。从风险溢出强度的结果来看,中国台湾、中国大陆、中国香港、美国、英国、日本股市是风险溢出的净输出者,而俄罗斯、巴西、德国、韩国、印度、法国与澳大利亚股市是风险溢出的净接受者。本文主要有以下三点启示:其一,制定相关政策,防范国际金融市场的系统性风险,加快推进央行数字货币;其二,改善宏观基本面,加强金融市场建设,稳步推进对外开放和国际合作;其三,充分考虑全球股市间及其与数字货币市场的相依性与风险溢出以及当前的经济政策不确定性,从而更准确地预测国际金融市场的走势。
韩轶[2]（2021）在《山东省“十强”典型产业发展中资本收益的三因素模型应用研究》文中研究表明
张彤[3]（2021）在《TH公司长期投资风险管理问题研究》文中研究表明企业长期投资数量金额较大,持续时间长,回报慢,但风险却较高。科学的长期投资决策可以提高企业资产管理效果,相反,无理的长期投资决策也会使得企业发生财务拮据。当前我国企业的长期投资决策大多存在一定的失误,再加之部分企业有较重的债务负担,在经济形势等问题影响企业整体收益时,企业盈利为负甚至无法生存的情况屡见不鲜。这也使得本文研究内容TH公司长期投资风险管理问题有了意义。本文以我国园林行业龙头企业TH公司为例,深入分析“长期投资风险管理”问题。本论文核心章节分为四章,本文主要从以下四方面进行阐述:第一章内容为研究背景与意义、文献综述以及本文的研究内容以及研究方法。第二章为理论概述,主要介绍了风险管理相关理论与资本市场相关理论。第三章为“TH公司长期投资风险识别”,对TH公司进行介绍,主要剖析TH公司长期投资风险管理现状,对TH公司长期投资收益率低下的原因进行分析,进而对TH公司的长期投资风险进行识别以及对优先序的判断。第四章为“TH公司长期投资风险评估”,主要通过对TH公司长期投资期望收益率以及长期投资收益率标准差的分析,说明TH公司在长期投资组合中加入无风险资产的必要性。为了使得结论更有说服力,还与同行业公司进行了对比分析。第五章为“TH公司长期投资风险管理对策”,通过资本市场线说明植入国债后TH公司的长期投资收益得到提高,并提出TH公司提高长期投资流动效率的对策以及长期投资管理方案的改进。第六章为“大型国企长期投资管理建议”,对与TH公司类似的企业提出对于长期投资管理的相关建议。
黄蕊[4]（2021）在《基于LightGBM算法的行业轮动多因子选股方案研究》文中认为随着计算机技术不断取得突破,量化投资发展迅速,尤其是应用在金融领域时表现不俗,渐渐成为主要的投资方法之一。其中,多因子选股模型凭借其高效、综合的特点,在学术界和业界应用广泛。近年来,人工智能和大数据技术进步飞速,促使机器学习结合多因子数据进行量化选股成为了新的研究热点。本文将我国的经济周期作为研究入手点,通过相关实证对行业轮动现像进行验证,以此为基础构建选股模型,确定投资组合。具体来说,首先依据国内经济发展特点选取2004—2020年间三个宏观指标,对其进行相关处理后将该区间划分为复苏、过热、滞涨、衰退四个周期阶段。再利用资本资产定价模型计算出申万一级行业分类下各行业对应的值,判断其周期性,同时分析两类行业的收益率表现,以验证行业轮动现象的存在性。然后结合美林投资时钟理论和各行业的发展特点将这28个行业划分为周期性增长行业、周期性价值行业、防守性增长行业和防守性价值行业。最后选择2015年至2020年的因子数据,预测在该时间段内收益率最高的六大占优行业:家用电器、轻工制造、电子、食品饮料、非银金融、医药生物,并将这六大占优行业作为股票池建立选股模型。对于多因子选股模型,首先在因子选择上,本文通过聚宽因子库直接提取包括技术类、成长类、杠杆类等10类因子;算法上使用机器学习中新提出的Light GBM、Cat Boost和XGBoost三种算法。训练、预测方法采用的是滚动训练并预测,从而充分利用数据中所包含的信息。对构建的三种选股模型,以2015年至2020年的沪深300指数作为基准进行对比分析。结果显示,三种算法构建的投资组合均能够获取超过沪深300指数的收益率,其中Light GBM算法构建的选股模型综合表现要优于其他两种。同时通过选股模型将基于行业轮动与不考虑行业轮动两种情况下的投资组合进行对比,发现前者能够获得更高的收益。在选出目标股票后,使用等权重构建投资组合的方法较为粗糙,因此本文依据投资组合理论使用收益波动率加权的方法构建新组合来优化模型。通过计算收益,单期收益分析中,59期中有36期超过同期基准收益,跑赢基准的占比61.01%,选出的股票组合平均年化收益为80%,平均月度收益率为5.02%,夏普比率为0.34。总的来说,本文构建了一个较为完善的投资方案,建立了能够取得持续正收益的模型。
周璐[5]（2020）在《经济政策不确定性对我国股票市场资产组合定价的影响研究》文中提出本文以2000年1月至2019年9月的25组账面市值比—规模资产组合的月度收益率为研究样本,检验Merton的跨期资本资产定价模型（ICAPM）对我国股票市场资产组合的定价能力。在跨期资本资产定价模型中,资产组合收益和市场组合收益以及其他状态变量的条件协方差构成其风险溢价,即构成其超额收益。在状态变量的选择上,本文尝试了市场组合收益率、规模因子（SMB）、账面市值比因子（HML）、经济政策不确定性（EPU）作为备选的状态变量。应用Engle提出的Garch-DCC的方法测试四种状态变量的组合下,跨期资本资产定价模型对跨期资本资产定价模型对资产组合的解释能力。并对比三次实证分析,重点探究当经济政策不确定性作为状态变量时,能否显着提高跨期资本资产定价模型对资产组合的定价能力。实证结果显示,市场组合收益率、规模因子（SMB）、账面市值比因子（HML）对于资产组合定价具有正面和显着的关系,经济政策不确定性（EPU）对于资产组合定价的影响负面且显着。除了传统的FF三因子外,本文认为经济政策不确定性也是跨期资本资产定价模型（ICAPM）中的一个有效状态变量。在跨期资本资产定价模型（ICPM）中加入经济政策不确定性,将提高跨期资本资产定价模型对于我国股票市场资产组合的定价能力。在实证研究的基础上,本文提出相关对策与建议。本文认为政府需要通过完善市场机制,畅通信息传导渠道,提高经济政策不确定性的可预见性,旨在合理定价资产组合,降低股票市场的波动性,实现投资者与企业的双赢,稳定市场,打造一个更加公平有序有效的金融市场。
谢隽[6]（2020）在《流动性杠杆对个股的冲击效应实证研究》文中进行了进一步梳理金融危机使人们认识到流动性对于资产价格的重要影响,而对于流动性与资产定价的关系研究还未取得一致的研究结论。本文通过梳理现有的市场流动性测度指标和流动性与资产定价关系的相关研究,发现现有的流动性测度指标存在一定的缺陷和不足。而对市场流动性与资产定价的关系研究,以Amihu et al（1986）提出的“流动性溢价”为起点,大部分研究是在传统的资产定价模型基础上加入流动性因子来探讨流动性的定价机制,而模型本身就存在已知的不足和局限,难以准确反映现实股票资本市场的情况。基于以上原因,本文使用国内学者提出的基于财务估值的股票资本资产定价模型,并构造“流动性杠杆”指标来衡量市场流动性,流动性杠杆定义为某时点拟买入股票的货币资金总额与未来一定时间内有可能卖出的股票资本资产总额之比,是基于货币需求理论,以货币流动性为基础,以标的样本公司交易额占A股市场流通股交易额的比重对其进行分割得到。本文使用流动性杠杆指标研究市场流动性对个股价格和收益的冲击效应,并探究流动性的定价实质。本文以沪深两市全部A股上市公司的季度数据为样本来进行研究,以2012年第二季度至2017年第一季度为研究区间,采用双向固定效应面板回归,结论基本验证本文假设:内在价值变动与股票价格（收益）变动呈显着正相关;流动性杠杆对个股具有显着的正向冲击效应;流动性定价是流动性杠杆和内在价值的共同作用结果。并且模型整体的拟合优度较高,说明本文模型具有较好的解释力。进一步的研究中,在实证模型中加入换手率指标、非流动性指标和系统风险BETA指标,并将流动性杠杆的冲击效应与流动性溢价理论进行对比分析,来进一步探讨市场流动性对股票资本资产的定价实质。本文的研究为进一步完善流动性资产定价理论提供了实证证据,为之后的相关研究奠定基础。
冯文芳[7]（2020）在《金融杠杆与资产价格泡沫：影响机制及其监控研究》文中进行了进一步梳理资产价格泡沫和高杠杆在历史上反复出现,但次贷危机后的资产价格泡沫形成机制和高杠杆作用机理更加复杂;现代金融技术发展产生的影子银行和金融衍生品等不但空转套利推高金融杠杆,而且让问题复杂化;内嵌于银行体系的表外业务严重期限错配以及中国经济转型期结构中存在的各种扭曲现象,使得金融杠杆过度膨胀导致的资产价格泡沫演化过程中出现的新问题和新情况,原有传统理论都无法较好解释经济中的资产价格泡沫现象。目前,中国正处于经济转型和结构升级的重要关口,党的十九大明确提出“我国经济已由高速增长阶段转向高质量发展阶段”,经济增长速度从高速增长开始转为中高速增长,但是金融杠杆仍在不断攀升,金融杠杆增长与经济发展错配现象严重,资本市场的过度繁荣引致资金在金融体系内空转,导致资产价格泡沫和系统性金融风险不断膨胀和累积。金融危机后上述问题成为经济学研究的热点并引起社会各界的广泛关注。在此背景下,首先,通过阅读和归纳国内外关于金融杠杆、资产价格泡沫和经济增长等方面的经典着作和前沿文献,厘清选题的发展脉络、研究现状、存在问题、争论焦点和研究盲点等,为后期研究顺利展开提供文献支撑和理论基础。其次,准确定义资产价格泡沫是研究的逻辑起点,遵循目前国内外经济学界的三种主流观点,对资产价格泡沫的涵义进行明确界定并分析了其一般特征;从理论角度和影响因素角度剖析了资产价格泡沫的形成机理;运用ADF、SADF、GSADF和RADF等资产价格泡沫识别方法,对资产价格泡沫的存在性、存在周期、出现频率和程度大小等进行了识别和检验,实证结果表明在样本研究期内显着存在周期性资产价格泡沫;并且运用协整模型和向量误差修正模型（VECM）提取了资产价格泡沫。第三,以金融杠杆经济本质研究作为切入点,从微观和宏观角度分别定义和度量了金融杠杆,揭示微观金融杠杆与宏观金融杠杆背离的原因和实质;采用债务收入比法和即时拆分法（TD）测算了我国的金融杠杆;重点揭示和研究了金融加杠杆的根源、实质、动力、渠道、特点和成因等;不但构建了金融杠杆驱动的资产价格泡沫模型,从理论上厘清两者之间的内在逻辑关系,而且把滚动宽窗Granger因果检验模型和Bootstrap统计检验结合,从实证上验证了金融杠杆和资产价格泡沫相互动态影响机制的程度、频率与方向以及与经济事件之间的关系。第四,高杠杆和资产价格泡沫仅是表象,隐藏其背后的实质是虚拟经济与实体经济的失衡,因此加入经济增长因素,从表象分析上升到实质研究,进一步揭示金融杠杆、资产价格泡沫与金融、经济之间的影响效应。具体内容包括:（1）运用差分广义矩估计（DGMM）和门限效应,对国内16家上市银行从两个阶段检验了货币政策传导的银行风险承担渠道的杠杆机制的有效性,实证结果表明:货币政策可以通过杠杆率对银行风险承担产生显着影响;货币政策与银行风险承担之间存在双重杠杆率门限效应;（2）运用傅里叶变换和频谱分析法研究了资产价格泡沫与经济增长之间的周期联动效应,实证结果表明:我国资产价格泡沫和经济增长的周期联动关系较复杂,并且两者在周期联动上更多的存在背离现象;（3）基于R&D模型,加入金融杠杆因素,研究了不存在和引入资产价格泡沫时经济增长的均衡结果,并推断出资产价格泡沫与经济增长共容的条件。（4）运用MCMC算法和SV-TVP-SVAR模型从时期与时点两个角度对金融杠杆、资产价格泡沫与经济增长三者之间的时变关系进行验证,实证结果表明:三个经济变量之间具有非常显着的时变特征。最后,高杠杆下去杠杆是必然选择,准确定义去杠杆的涵义并对目前去杠杆存在的误区做了澄清;分别探索了实体去杠杆和金融去杠杆的路径;运用合成控制法（SCM）检验了限贷政策能否抑制房地产泡沫?实证结果表明:在4个研究样本中,限贷政策对3个样本的商品房销售价格无法起到降低的作用;囿于传统资产价格泡沫监控研究方法与模型的缺陷,尝试运用人工智能中的支持向量回归（SVR）模型和BP神经网络（BPNN）技术构建了资产价格泡沫监控系统,结果表明,人工智能技术可以很好逼近与诠释样本历史数据所蕴含的内在规律,有效实现监控功能。根据上述主要研究结论,提出了四点政策建议:（1）拓展宏观货币政策调控目标范围,把资产价格纳入中央银行决策信息集,构建货币和信贷流动以及资产价格泡沫监控系统;（2）减少或消除刚性兑付和不必要的政府隐性担保,实现国有资产管理体制和商业银行行为市场化,政府职能回归公共管理本质;（3）坚持中性稳健的货币政策,保持适度的货币流动性,建立宏观审慎评估体系MPA和对金融体系资产实施穿透管理,对影子银行进行有效管理;（4）精准掌控“结构性去杠杆”的节奏、力度、时间、主体,有条不紊降低杠杆率。
原仙鹤[8]（2020）在《利率变动对股价的影响研究》文中研究说明利率作为资金的价格,它在很大程度上反映了金融市场的发展状况,且对优化资源配置起着很重要的作用。股价波动是股市的正常现象,但影响股票价格变动的因素有很多,其中利率与股价之间的关系一直是经济学上研究的热点。从理论上讲利率与股价呈现负相关关系,即利率上升会导致股票价格下降,反之股票价格上升,但这与股票市场的实际情况并不完全相符。因此本文从理论与实证两个角度研究利率变动对股价的影响方向、影响周期以及影响程度。首先从股票定价的传统经典理论出发,再辅之以股权溢价之谜、惯性效应和反转效应等现象,研究利率对股票价格产生影响的传导机制:投资者预期效应、内在价值效应、资产替代效应和“指示器”效应,完成理论部分的建构。其次通过SVAR模型对实证检验利率与股票价格之间的关系。其中利率选取隔夜同业拆借利率和7天同业拆借利率,股票价格分为大盘股股票价格和小盘股股票价格,大盘股股价用沪深300指数替代,小盘股股价用中小板指数替代,通过协整检验发现利率与大盘股股价、小盘股股价之间均存在一种长期稳定的均衡关系,但是通过格兰杰因果检验发现仅有沪深300指数是隔夜同业拆借利率的格兰杰原因,7天同业拆借利率是中小板指数的格兰杰原因。随之进行脉冲响应分析和方差分解分析发现,股价对利率变动的反应均存在滞后期,且7天同业拆借利率相较隔夜同业拆借利率而言,对股价变动的相对贡献度更大,影响周期也更长。就影响方向而言,利率变动与小盘股股价之间的关系符合经典理论分析,呈现负相关关系,但利率变动与大盘股股价之间的关系很大程度上呈现正相关。总体而言,在我国证券市场中利率变动对股票价格的影响效应微弱,与大盘股股价呈现正相关关系。这主要是因为相较于发达国家而言,我国股票市场起步晚,发展尚不完善,且利率市场化改革尚未完成,再加之货币市场与资本市场之间相对分割的状态进一步阻碍了利率变动与股票市场之间的传导。因此为了在股票市场上更好地应用利率政策,我国应该进一步发展完善股票市场,加快利率市场化的改革进程,加强货币市场与资本市场之间的联系。
赵师玥[9]（2020）在《基于Fama-French三因子模型对A股轻资产行业和重资产行业的股票收益研究》文中认为证券市场在中国经济中扮演了愈发重要的角色,在上交所和深交所挂牌上市的企业超过三千家,总市值超过六十万亿,我国证券市场已经成为亚太地区最具规模的证券市场之一。2017年6月21日,A股正式被纳入MSCI新兴市场指数,在A股挂牌的200多支大盘股也将成为成分股,这标志着A股在全球证券市场上的地位和作用也越发重要。国内学者对于在发达国家证券市场得到广泛认可的经典投资理论是否也适用于A股市场进行了许多实证检验,但目前我国学者主要以整个证券市场作为研究样本进行检验,缺乏对具体行业的深入挖掘。本文主要从企业资产运营模式上,将行业分类按照轻资产和重资产进行划分,判断这点主要是通过固定资产与总资产的比值和固定资产与营业利润的比值来进行判断。前者越低,越接近于轻资产运营,后者越低,越接近于轻资产运营。文中通过对申万一级分类28个行业进行初步筛选,选定房地产行业、钢铁行业、医药生物和食品饮料行业。考虑到运营模式类似,得出的模型结论更稳定。饮料制造行业主要包括酒类和软饮料皆是主要依靠核心竞争力品牌价值获得超额回报,尤其是我国市场上的高端白酒,堪称轻资产的典型代表。文中首先回顾了现代投资理论的发展史,从马科维茨的投资组合理论,到资产定价模型CAPM模型,广泛使用的Fama-French三因子模型,补充其他风险因子后的Carhart四因子模型和Fama-French五因子模型,就模型使用的简便性和解释力综合考虑而言,FF三因子模型在国内使用基础更好,五因子模型对于股票超额收益的解释力并没有显着的提高。文中选用的数据为2013年1月31日至2019年12月31日期间的申万一级分类801120.SI,801150.SI,801180.SI和801040.SI指数成分股的股票交易数据和财务报表数据,实证研究了Fama-French三因子模型在轻资产和重资产两个典型代表行业的适用性,得到以下结论;以房地产为代表的重资产行业和以食品饮料、医药健康为代表的轻资产行业具有大市值效应和低账面市值比效应;Fama-French模型对重资产行业和轻资产行业都是适用的;市场风险因子对股票超额收益的解释能力最强,市值风险因子的解释能力次之,账面市值比对股票超额收益的解释力最弱。本文选择的样本数据关系到国计民生,同时也是市场热点,受到个人投资者和机构投资者的关注和追捧,但就结论是否能推广至轻资产和重资产的领域的每个行业,受时间和能力所限,没有全面推广进行验证,尤其对于2020年的市场热点板块5G通讯行业,非常值得进一步实证检验。
孔早早[10]（2020）在《人工智能类上市公司企业价值评估 ——以大华股份为例》文中研究表明随着社会的发展和科学技术的进步,计算机和互联网的使用越来越普及。在这个人人都在充分享受着互联网所带来的便利的信息时代,一场新的产业革命正在酝酿当中——人类即将进入以人工智能为核心的产业时代。在这新一轮科技革命到来的关键时期,各国纷纷将人工智能摆在重要位置。2017年,国务院发布《新一代人工智能发展规划》,制定了三步走发展目标,提出到2030年成为世界主要人工智能创新中心。截止2019年,“人工智能”已经连续三次被写入全国政府工作报告。由此可见,人工智能对国家的发展起着举足轻重的作用。在这样的大背景下,人工智能企业的发展可谓如鱼得水,被很多投资者所看好。如何对人工智能企业价值进行评估,从而为众多的企业外部投资者提供价值参考,成为目前迫切需要解决的问题。本文首先整理了关于人工智能和企业价值评估方法的研究文献,在此基础上界定了人工智能及人工智能企业的定义,进而探究人工智能企业的特点及其价值评估的影响要素和评估特点。其次,通过研究现金流折现与实物期权综合评估方法的优点和适用性,并与传统企业价值评估方法的特点和局限性比较,得出其更适合于人工智能企业价值评估的结论,进而探索出适用于评估人工智能企业的DCF与B-S综合评估模型。最后,本文结合案例分析,以典型人工智能企业大华股份为研究对象,探究DCF与B-S综合评估模型在人工智能企业价值评估中的应用。这丰富了相关研究文献和企业估值方法,为企业外部投资者提供价值参考。经过分析,本文得出以下几个研究结论:第一,人工智能企业价值的评估具有特殊性。由于人工智能企业具有高风险、无形资产占比高等特点,决定了我们不能简单地使用传统评估方法对其进行评估。第二,人工智能企业的价值是由企业的现有价值和潜在价值两部分构成的。人工智能企业未来的发展充满了不确定性,这些不确定性因素以及企业当中丰富的无形资产所带来的额外收益,使得人工智能企业还拥有相当一部分的潜在价值。第三,DCF与B-S综合评估模型更适合于人工智能企业价值的评估。运用DCF法可以评估企业现有资产经营活动所创造的现有价值,运用B-S实物期权定价模型可以很好地估算人工智能企业由于高风险、未来收益不确定等因素所带来的潜在价值。
二、基于产业和市场结合的资本资产定价模型研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于产业和市场结合的资本资产定价模型研究（论文提纲范文）
（1）中国大陆股市与国际主要股市的相依性、风险溢出与影响因素研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 问题提出与研究内容 |
| 1.2.1 问题提出 |
| 1.2.2 研究内容 |
| 1.3 研究框架与研究方法 |
| 1.3.1 研究框架 |
| 1.3.2 研究方法 |
| 1.4 概念界定 |
| 1.4.1 相依性 |
| 1.4.2 风险溢出 |
| 1.4.3 概念间的关联 |
| 1.5 研究的创新点 |
| 2 文献综述 |
| 2.1 股票市场相依性研究 |
| 2.1.1 发达国家股市间的相依性 |
| 2.1.2 发达国家股市与新兴经济体股市间的相依性 |
| 2.1.3 中国股市的相依性 |
| 2.1.4 中外股市间的相依性 |
| 2.1.5 股市的跨资产类别相依性 |
| 2.2 金融市场相依性的影响因素 |
| 2.2.1 经济政策不确定性 |
| 2.2.2 其他影响因素 |
| 2.3 金融市场风险溢出研究 |
| 2.3.1 不同国家(地区)同一金融市场 |
| 2.3.2 同一国家(地区)不同金融市场 |
| 2.4 文献述评 |
| 3 理论分析与研究设计 |
| 3.1 金融市场相依性与风险溢出的理论基础 |
| 3.1.1 资产定价理论 |
| 3.1.2 Copula理论 |
| 3.2 金融市场相依性与风险溢出的成因 |
| 3.3 金融市场相依性与风险溢出的影响机理 |
| 3.4 研究设计 |
| 3.4.1 中国大陆股市与国际主要股市的边缘分布模型 |
| 3.4.2 中国大陆股市与国际主要股市的静态与时变相依结构 |
| 3.4.3 中国大陆股市与国际主要股市相依性的影响因素 |
| 3.4.4 中国大陆股市与国际主要股市的高维相依结构、风险测度与溢出 |
| 3.5 本章小结 |
| 4 中国大陆股市与国际主要股市的边缘分布模型 |
| 4.1 边缘分布模型构建与择优标准 |
| 4.1.1 参数ARMA-GARCH族模型 |
| 4.1.2 参数ARMA-GARCH族-EVT模型 |
| 4.1.3 非参数ARMA-GARCH族-EVT模型 |
| 4.1.4 非参数核密度函数 |
| 4.1.5 模型择优标准 |
| 4.2 数据选取与基本分析 |
| 4.2.1 数据的选取及其说明 |
| 4.2.2 数据的基本统计分析和相关检验 |
| 4.3 边缘分布模型的估计与择优 |
| 4.3.1 基于参数ARMA-GARCH族模型的边缘分布估计 |
| 4.3.2 基于参数ARMA-GARCH族-EVT模型的边缘分布估计 |
| 4.3.3 基于非参数ARMA-GARCH族-EVT模型的边缘分布估计 |
| 4.3.4 基于非参数核密度函数的边缘分布估计 |
| 4.3.5 最优边缘分布模型 |
| 4.4 本章小结 |
| 5 中国大陆股市与国际主要股市的静态与时变相依结构 |
| 5.1 数据与方法 |
| 5.1.1 数据选取 |
| 5.1.2 实证方法 |
| 5.2 实证分析 |
| 5.2.1 中国大陆股市与国际主要股市的静态相依结构 |
| 5.2.2 中国大陆股市与国际主要股市的时变相依结构 |
| 5.2.3 基于时变Copula函数的结构变点诊断 |
| 5.3 本章小结 |
| 6 中国大陆股市与国际主要股市相依性的影响因素 |
| 6.1 中国大陆股市与国际主要股市相依性的影响因素及其机理分析 |
| 6.1.1 经济政策不确定性 |
| 6.1.2 共同冲击 |
| 6.1.3 宏观经济状况 |
| 6.1.4 股市特性 |
| 6.2 数据与变量选取 |
| 6.3 实证分析 |
| 6.3.1 面板单位根检验 |
| 6.3.2 面板数据模型的构建与估计 |
| 6.3.3 稳健性讨论 |
| 6.4 全球股市与数字货币市场的跨资产类别相依性与影响因素 |
| 6.4.1 数据与变量选取 |
| 6.4.2 全球股市与数字货币市场的跨资产类别相依性 |
| 6.4.3 经济政策不确定性对全球股市与数字货币市场相依性的影响 |
| 6.5 本章小结 |
| 7 中国大陆股市与国际主要股市的高维相依结构、风险测度与溢出 |
| 7.1 数据与方法 |
| 7.1.1 数据来源与统计描述 |
| 7.1.2 实证方法 |
| 7.2 实证分析 |
| 7.2.1 样本间的Kendall’s tau秩相关系数 |
| 7.2.2 中国大陆股市与国际主要股市的高维相依结构 |
| 7.2.3 中国大陆股市与国际主要股市的风险测度 |
| 7.2.4 中国大陆股市与国际主要股市的风险溢出 |
| 7.3 稳健性检验 |
| 7.4 本章小结 |
| 8 总论 |
| 8.1 研究结论 |
| 8.2 研究启示 |
| 8.3 不足与展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
（3）TH公司长期投资风险管理问题研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 文献综述 |
| 1.2.1 国外研究发展现状 |
| 1.2.2 国内研究发展现状 |
| 1.3 研究内容及方法 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.3.3 技术路线 |
| 第2章 风险管理理论概述 |
| 2.1 风险管理理论 |
| 2.1.1 无偏预期理论 |
| 2.1.2 市场分割理论 |
| 2.1.3 流动性溢价理论 |
| 2.2 资本市场相关理论 |
| 2.2.1 投资组合 |
| 2.2.2 资本市场线 |
| 2.2.3 资本资产定价模型 |
| 第3章 TH公司长期投资风险识别 |
| 3.1 TH公司简介 |
| 3.2 TH公司长期投资现状 |
| 3.3 TH公司长期投资收益率低下的原因分析 |
| 3.4 TH公司长期投资风险识别与优先序判断 |
| 第4章 TH公司长期投资风险评估 |
| 4.1 长期投资风险评价 |
| 4.1.1 TH公司长期投资期望收益率 |
| 4.1.2 TH公司长期投资收益率标准差 |
| 4.1.3 行业对比分析 |
| 4.2 TH公司长期投资组合中加入无风险资产的必要性分析 |
| 4.2.1 加入无风险资产后长期投资效用集变动分析 |
| 4.2.2 加入无风险资产后长期投资资本市场线分析 |
| 第5章 TH公司长期投资风险管理对策 |
| 5.1 植入国债改善长期投资收益-风险效用状况 |
| 5.2 TH公司提高长期投资流动效率的对策 |
| 5.2.1 改善长期投资结构提升长期资本使用效率 |
| 5.2.2 长期投资中提升资本运营周转率 |
| 5.3 TH公司长期投资管理方案的改进 |
| 5.3.1 建立长期投资决策程序 |
| 5.3.2 在长期投资管理中加强内部监督 |
| 5.3.3 长期投资退出机制 |
| 第6章 大型国企长期投资管理建议 |
| 6.1 配置投资组合 |
| 6.2 在长期投资中增加国债 |
| 致谢 |
| 参考文献 |
（4）基于LightGBM算法的行业轮动多因子选股方案研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1 章 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的和意义 |
| 1.2.1 研究目的 |
| 1.2.2 研究意义 |
| 1.3 研究内容、方法和技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.3.3 技术路线 |
| 1.4 本文主要贡献 |
| 第2 章 相关理论回顾与文献综述 |
| 2.1 文献综述 |
| 2.1.1 机器学习用于量化投资相关文献综述 |
| 2.1.2 行业轮动相关文献综述 |
| 2.1.3 多因子选股相关文献综述 |
| 2.1.4 文献综述总结与评价 |
| 2.2 行业轮动相关理论 |
| 2.2.1 行业轮动现象 |
| 2.2.2 行业轮动现象产生原因 |
| 2.2.3 基于经济周期的行业轮动策略 |
| 2.3 多因子选股相关理论 |
| 2.3.1 资本资产定价模型 |
| 2.3.2 套利定价理论 |
| 2.3.3 Fama-French因子模型 |
| 2.3.4 多因子量化选股模型 |
| 2.4 Boosting算法相关理论 |
| 2.4.1 XGBoost算法 |
| 2.4.2 Light GBM算法 |
| 2.4.3 CatBoost算法 |
| 2.5 相关理论的总结 |
| 第3 章 问题描述与分析 |
| 3.1 行业轮动发展现状及问题分析 |
| 3.1.1 行业轮动现象存在性检验 |
| 3.1.2 基于行业轮动规律投资的研究现状 |
| 3.2 量化投资发展现状及问题分析 |
| 3.2.1 国内量化投资发展现状及问题 |
| 3.2.2 主要量化选股模型优缺点对比 |
| 3.3 多因子选股模型发展现状及问题分析 |
| 3.4 方案策划改进思路 |
| 第4 章 基于行业轮动规律的多因子选股方案设计 |
| 4.1 方案策划的思路 |
| 4.2 经济周期划分 |
| 4.2.1 划分指标选取 |
| 4.2.2 指标数据预处理 |
| 4.2.3 周期划分 |
| 4.3 行业分类 |
| 4.3.1 基于经济周期行业划分 |
| 4.3.2 经济周期各阶段可投资行业 |
| 4.4 行业轮动规律验证 |
| 4.4.1 行业轮动规律有效性检验 |
| 4.4.2 量化周期视角下行业轮动规律实现方法 |
| 4.4.3 实证分析 |
| 4.5 构建行业轮动多因子选股模型 |
| 4.5.1 因子池构建与数据预处理 |
| 4.5.2 算法评价指标 |
| 4.5.3 参数调优及建模效果对比 |
| 第5 章 方案合理性检验及实施建议 |
| 5.1 基于行业轮动选股方案合理性检验 |
| 5.1.1 回测基本假设及业绩评价指标 |
| 5.1.3 模型选股 |
| 5.1.4 投资收益分析 |
| 5.2 与传统选股投资方案对比 |
| 5.3 模型优化 |
| 5.4 方案实施风险及建议 |
| 第6 章 总结与展望 |
| 6.1 研究结论 |
| 6.2 不足与展望 |
| 参考文献 |
| 附录 |
| 致谢 |
| 攻读学位期间的研究成果 |
（5）经济政策不确定性对我国股票市场资产组合定价的影响研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 引言 |
| 1.1 选题背景与研究意义 |
| 1.2 国内外文献综述 |
| 1.3 研究内容与思路 |
| 1.4 研究方法 |
| 1.5 论文创新及不足之处 |
| 2 经济政策不确定性内涵及我国经济政策不确定性分析 |
| 2.1 经济政策不确定性内涵 |
| 2.2 全球经济政策不确定性指数及其特征 |
| 2.3 我国经济政策不确定性现状分析 |
| 3 经济政策不确定性对资产组合定价影响的理论分析 |
| 3.1 经济政策不确定性影响资产组合定价的机制分析 |
| 3.2 跨期资本资产定价模型的产生及其投资机会集的选择 |
| 4 经济政策不确定性对我国资产定价影响的实证分析 |
| 4.1 模型的介绍 |
| 4.2 实证分析——基于三种不同状态变量选取的模型检验 |
| 5 研究结论与对策建议 |
| 5.1 研究结论 |
| 5.2 对策建议 |
| 参考文献 |
| 致谢 |
（6）流动性杠杆对个股的冲击效应实证研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 引言 |
| 1.1 研究背景及意义 |
| 1.2 文献综述 |
| 1.2.1 流动性定义及其理论模型 |
| 1.2.2 流动性的测度方法 |
| 1.2.3 流动性与资产定价的关系 |
| 1.3 研究内容与研究方法 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.4 论文结构安排 |
| 1.5 创新点 |
| 第2章 基本理论 |
| 2.1 财务估值理论 |
| 2.2 马克思资本流通理论 |
| 2.3 费雪货币需求理论 |
| 第3章 研究设计 |
| 3.1 理论假设 |
| 3.2 模型设定 |
| 3.2.1 理论模型设定 |
| 3.2.2 实证模型设定 |
| 3.3 变量度量 |
| 第4章 实证分析 |
| 4.1 数据说明与处理 |
| 4.1.1 数据说明 |
| 4.1.2 数据处理 |
| 4.2 描述性统计 |
| 4.3 Hausman检验 |
| 4.4 面板回归分析 |
| 4.4.1 价格模型回归分析 |
| 4.4.2 报酬率模型回归分析 |
| 第5章 流动性杠杆冲击效应与流动性溢价的比较分析 |
| 5.1 理论方面的比较分析 |
| 5.2 实证方面的比较分析 |
| 第6章 结语 |
| 6.1 研究结论 |
| 6.2 政策建议 |
| 6.3 研究展望 |
| 参考文献 |
| 致谢 |
| 个人简历、在学期间发表的学术论文与研究成果 |
（7）金融杠杆与资产价格泡沫：影响机制及其监控研究（论文提纲范文）
| 摘要 |
| Abstract |
| 主要缩略词、符号变量的注释表 |
| 第一章 绪论 |
| 1.1 研究背景与研究意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 研究思路、内容与方法 |
| 1.2.1 研究思路 |
| 1.2.2 研究内容 |
| 1.2.3 研究方法 |
| 1.3 论文创新与不足之处 |
| 1.3.1 论文创新 |
| 1.3.2 不足之处 |
| 第二章 文献综述 |
| 2.1 资产价格泡沫的含义及其形成机理研究综述 |
| 2.1.1 理性预期理论 |
| 2.1.2 行为金融理论 |
| 2.1.3 以分形和混沌理论为代表的非线性理论 |
| 2.1.4 信贷理论 |
| 2.1.5 金融发展理论 |
| 2.2 资产价格泡沫的存在性检验及测度研究综述 |
| 2.2.1 资产价格泡沫的存在性检验 |
| 2.2.2 资产价格泡沫存在性的检验方法 |
| 2.2.3 资产价格泡沫的测度方法 |
| 2.3 金融杠杆与资产价格泡沫的影响关系研究综述 |
| 2.3.1 金融杠杆与资产价格泡沫的影响关系 |
| 2.3.2 金融杠杆与房地产泡沫的影响关系 |
| 2.4 资产价格泡沫对经济增长的影响研究综述 |
| 2.4.1 资产价格泡沫对经济增长的促进作用 |
| 2.4.2 资产价格泡沫对经济增长的不利作用 |
| 2.4.3 资产价格泡沫与经济增长的周期联动效应 |
| 2.5 资产价格泡沫监控研究综述 |
| 2.5.1 主张从市场层面入手监控资产价格泡沫 |
| 2.5.2 从货币政策角度监控资产价格泡沫 |
| 2.5.3 利用托宾税监控资产价格泡沫 |
| 2.6 对现有文献的评述 |
| 2.7 本章小结 |
| 第三章 资产价格泡沫形成机理及其检验研究 |
| 3.1 资产价格泡沫的理论界定 |
| 3.1.1 资产 |
| 3.1.2 资产价格泡沫的载体类型 |
| 3.1.3 资产价格泡沫涵义界定 |
| 3.2 资产价格泡沫的形成机理分析 |
| 3.2.1 资产价格泡沫形成的理论基础 |
| 3.2.2 资产价格泡沫形成的影响因素 |
| 3.3 资产价格泡沫的检验 |
| 3.3.1 检验方法 |
| 3.3.2 变量说明及数据来源 |
| 3.3.3 检验结果及其分析 |
| 3.4 资产价格泡沫的提取 |
| 3.4.1 向量误差修正模型 |
| 3.4.2 资产价格泡沫提取 |
| 3.5 本章小结 |
| 第四章 金融杠杆与资产价格泡沫的影响机制研究 |
| 4.1 金融杠杆的经济本质及度量 |
| 4.1.1 金融杠杆的经济本质 |
| 4.1.2 金融杠杆的度量 |
| 4.2 金融加杠杆的机理分析 |
| 4.2.1 金融加杠杆的根源 |
| 4.2.2 金融加杠杆的实质 |
| 4.2.3 金融加杠杆的内在驱动力 |
| 4.2.4 金融加杠杆的实现路径 |
| 4.2.5 金融加杠杆的特征与成因 |
| 4.3 基于金融杠杆驱动的资产价格泡沫模型构建 |
| 4.3.1 理论分析 |
| 4.3.2 基于金融杠杆驱动的资产价格泡沫模型 |
| 4.4 金融杠杆与资产价格泡沫影响关系的实证分析 |
| 4.4.1 滚动宽窗Granger因果检验方法 |
| 4.4.2 变量说明与数据检验 |
| 4.4.3 实证结果及其分析 |
| 4.5 本章小结 |
| 第五章 金融杠杆和资产价格泡沫的影响效应研究 |
| 5.1 金融杠杆影响商业银行风险承担效应研究 |
| 5.1.1 理论分析 |
| 5.1.2 研究假设与变量定义 |
| 5.1.3 动态面板模型和门限检验方法 |
| 5.1.4 实证结果及其分析 |
| 5.2 资产价格泡沫与经济增长的周期联动效应研究 |
| 5.2.1 频谱分析方法 |
| 5.2.2 变量说明及数据来源 |
| 5.2.3 实证结果及其分析 |
| 5.3 资产价格泡沫与经济增长的共容效应研究 |
| 5.3.1 模型基本假设 |
| 5.3.2 资产价格泡沫与经济增长的共容条件 |
| 5.4 金融杠杆、资产价格泡沫与经济增长的时变效应研究 |
| 5.4.1 SV-TVP-SVAR模型 |
| 5.4.2 变量说明及数据来源 |
| 5.4.3 实证结果及其分析 |
| 5.5 本章小结 |
| 第六章 金融去杠杆与资产价格泡沫监控系统研究 |
| 6.1 去杠杆的范畴界定及认知 |
| 6.1.1 去杠杆的范畴界定 |
| 6.1.2 去杠杆的正确认知 |
| 6.2 实体去杠杆路径研究 |
| 6.2.1 “去杠杆”与“稳增长”的困境 |
| 6.2.2 实体去杠杆的路径 |
| 6.3 金融去杠杆路径研究 |
| 6.3.1 金融去杠杆的阶段和政策 |
| 6.3.2 金融去杠杆的路径 |
| 6.4 限贷政策抑制资产价格泡沫的效应研究 |
| 6.4.1 合成控制法 |
| 6.4.2 变量说明与数据来源 |
| 6.4.3 实证结果及其分析 |
| 6.5 资产价格泡沫监控系统研究 |
| 6.5.1 SVR模型与股市泡沫监控系统研究 |
| 6.5.2 BP神经网络与房地产泡沫监控系统研究 |
| 6.6 本章小结 |
| 第七章 研究结论与展望 |
| 7.1 主要研究结论 |
| 7.2 政策建议 |
| 7.3 研究展望 |
| 参考文献 |
| 攻读博士学位期间的科研情况 |
| 致谢 |
（8）利率变动对股价的影响研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 研究内容、研究方法及技术路线图 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.3.3 技术路线 |
| 1.4 创新点 |
| 第2章 股票定价的理论基础 |
| 2.1 股利折现理论 |
| 2.1.1 股利折现的定价原理 |
| 2.1.2 股利折现模型 |
| 2.1.3 股利折现理论的缺陷 |
| 2.2 资产组合理论 |
| 2.2.1 资产组合理论的定价原理 |
| 2.2.2 资产组合理论的形式化表述 |
| 2.2.3 资产组合理论的不足 |
| 2.3 套利定价理论 |
| 2.3.1 套利定价理论的定价原理 |
| 2.3.2 套利定价理论的形式化表述 |
| 2.3.3 套利定价理论的不足 |
| 2.4 期权定价理论 |
| 2.4.1 期权定价理论的定价原理 |
| 2.4.2 期权定价理论的形式化表述 |
| 2.4.3 期权定价理论的不足 |
| 2.5 本章小结 |
| 第3章 利率与股价关系理论分析 |
| 3.1 基于有效市场理论的分析 |
| 3.1.1 有效市场理论的基本含义 |
| 3.1.2 有效市场框架下股价与利率的关系 |
| 3.1.3 有效市场理论的困境 |
| 3.2 股权溢价之谜 |
| 3.2.1 股权溢价之谜及其理论含义 |
| 3.2.2 股权溢价之谜对股价与利率关系的启示 |
| 3.2.3 对股权溢价之谜的破解及其效果 |
| 3.3 基于行为金融理论的分析 |
| 3.3.1 行为金融理论界说 |
| 3.3.2 惯性效应 |
| 3.3.3 反转效应 |
| 3.4 本章小结 |
| 第4章 利率变动影响股价的模型构建 |
| 4.1 利率变动的内涵 |
| 4.2 利率变动影响股价的机理分析 |
| 4.2.1 投资者预期效应 |
| 4.2.2 内在价值效应 |
| 4.2.3 资产替代效应 |
| 4.2.4 “指示器”效应 |
| 4.3 利率变动影响股价的模型推演 |
| 4.3.1 各种效应的变量刻画 |
| 4.3.2 模型推演过程 |
| 4.4 本章小结 |
| 第5章 实证检验与分析 |
| 5.1 实证目的与方法选择 |
| 5.1.1 实证目的 |
| 5.1.2 方法选择 |
| 5.1.3 SVAR模型的基本理论 |
| 5.1.4 SVAR模型下的研究脉络 |
| 5.2 样本的选取 |
| 5.3 实证检验过程 |
| 5.3.1 描述性统计分析 |
| 5.3.2 建立SVAR模型 |
| 5.3.3 单位根检验 |
| 5.3.4 协整检验 |
| 5.3.5 格兰杰因果关系检验 |
| 5.3.6 模型的平稳性检验 |
| 5.3.7 脉冲响应分析 |
| 5.3.8 方差分解分析 |
| 5.4 实证结果分析 |
| 5.4.1 利率变动对大盘股股价的研究结果 |
| 5.4.2 利率变动对小盘股股价的研究结果 |
| 5.4.3 结果对比分析 |
| 5.4.4 结果原因分析 |
| 5.5 本章小结 |
| 第6章 研究成果和结论 |
| 6.1 研究结论 |
| 6.2 政策建议 |
| 6.2.1 进一步完善和发展股票市场 |
| 6.2.2 加快利率市场化改革进程 |
| 6.2.3 加强货币市场与资本市场的联系 |
| 6.2.4 完善微观主体行为 |
| 6.3 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
（9）基于Fama-French三因子模型对A股轻资产行业和重资产行业的股票收益研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 .研究背景及意义 |
| 1.1.1 .研究背景 |
| 1.1.2 .研究意义 |
| 1.2 .研究问题的提出 |
| 1.2.1 .选择轻资产和重资产作为分类指标的原因 |
| 1.2.2 .选择房地产行业和钢铁行业作为重资产行业代表的原因 |
| 1.2.3 .选择食品饮料行业和医药生物行业作为轻资产行业代表的原因 |
| 1.2.4 .研究目的 |
| 1.3 .主要创新 |
| 第二章 文献综述 |
| 2.1 .资本资产定价模型的理论发展 |
| 2.1.1 .Markowitz资产组合模型 |
| 2.1.2 .单因子模型 |
| 2.1.3 .资本资产定价模型CAPM的提出 |
| 2.1.4 .套利定价模型(APT) |
| 2.1.5 .Fama-French三因素的提出 |
| 2.1.6 .Carhart四因子模型 |
| 2.1.7 .Fama-French五因子 |
| 2.2 .国内外学者的实证结果 |
| 2.2.1 .国内学者 |
| 2.2.2 .国外学者 |
| 2.3 .本章小结 |
| 第三章 理论分析与研究设计 |
| 3.1 .理论分析 |
| 3.1.1 .系统风险的度量 |
| 3.1.2 .证券市场线 |
| 3.2 .模型的构建和各个参数的定义与选取方法 |
| 3.2.1 .Fama-French三因素模型的设定 |
| 3.2.2 .无风险利率 |
| 3.2.3 .市场组合收益率 |
| 3.3 .实证分析中涉及的检验方法 |
| 3.3.1 .平稳性检验 |
| 3.3.2 .多重共线性检验 |
| 3.3.3 .模型有效性检验 |
| 第四章 基于A股轻资产行业和重资产行业的实证分析 |
| 4.1 .数据来源和处理方法 |
| 4.2 .因子的构建 |
| 4.2.1 .市场因子MKT |
| 4.2.2 .规模因子SMB |
| 4.2.3 .价值因子HML |
| 4.3 .描述性统计 |
| 4.3.1 .Shibor的描述性统计 |
| 4.3.2 .样本数据的收益率描述性统计结果 |
| 4.3.3 .样本数据的相关性分析 |
| 4.3.4 .样本数据的平稳性检验 |
| 4.4 .基于Fama-French对样本数据进行多元线性回归 |
| 4.5 .实证研究小结 |
| 第五章 总结与展望 |
| 5.1 .研究结论 |
| 5.2 .不足与展望 |
| 参考文献 |
| 致谢 |
（10）人工智能类上市公司企业价值评估 ——以大华股份为例（论文提纲范文）
| 内容摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景、目的及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究目的与意义 |
| 1.2 文献综述 |
| 1.2.1 人工智能的相关研究 |
| 1.2.2 实物期权法的相关研究 |
| 1.2.3 现金流折现模型的相关研究 |
| 1.2.4 文献述评 |
| 1.3 研究内容与研究方法 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.4 创新与不足 |
| 1.4.1 创新之处 |
| 1.4.2 不足之处 |
| 第2章 相关概念及理论基础 |
| 2.1 人工智能的概念及企业特点 |
| 2.1.1 人工智能的概念界定 |
| 2.1.2 人工智能企业及分类 |
| 2.1.3 人工智能企业特点 |
| 2.2 企业价值评估理论基础 |
| 2.2.1 资本资产定价理论 |
| 2.2.2 实物期权理论 |
| 2.2.3 货币时间价值理论 |
| 2.3 企业价值评估方法 |
| 2.3.1 成本法 |
| 2.3.2 市场法 |
| 2.3.3 收益法 |
| 2.3.4 实物期权法 |
| 第3章 人工智能企业价值评估方法的选择 |
| 3.1 人工智能企业价值影响因素与评估特点 |
| 3.1.1 人工智能企业价值影响因素 |
| 3.1.2 人工智能企业价值评估特点 |
| 3.2 传统企业价值评估方法的缺陷 |
| 3.2.1 传统企业价值评估方法的特点 |
| 3.2.2 传统企业价值评估方法对人工智能企业的局限性 |
| 3.3 现金流折现与实物期权综合评估方法及适用性分析 |
| 3.3.1 人工智能企业的期权特征 |
| 3.3.2 现金流折现与实物期权综合评估方法及其优点 |
| 3.3.3 现金流折现与实物期权综合评估方法的适用性 |
| 第4章 DCF与B-S定价模型的综合评估模型 |
| 4.1 DCF与B-S综合评估模型的构建 |
| 4.1.1 DCF模型 |
| 4.1.2 B-S定价模型 |
| 4.2 DCF与B-S综合评估模型的理论可行性 |
| 4.2.1 DCF评估企业现有价值 |
| 4.2.2 B-S期权定价模型评估企业潜在价值 |
| 4.3 DCF与B-S综合评估模型的优点 |
| 第5章 案例分析 |
| 5.1 公司简介 |
| 5.1.1 大华股份基本情况 |
| 5.1.2 大华股份的人工智能特点分析 |
| 5.2 评估要素 |
| 5.2.1 评估目的 |
| 5.2.2 评估假设 |
| 5.2.3 评估对象与评估基准日 |
| 5.2.4 评估价值类型 |
| 5.3 DCF法评估大华股份现有价值 |
| 5.3.1 预测期与永续期的划分 |
| 5.3.2 自由现金流预测 |
| 5.3.3 折现率 |
| 5.3.4 企业现有价值估算 |
| 5.4 B-S定价模型评估大华股份潜在价值 |
| 5.5 DCF与B-S综合评估模型评估大华股份整体价值 |
| 5.6 评估结果分析 |
| 第6章 研究结论与展望 |
| 6.1 研究结论 |
| 6.2 未来展望 |
| 参考文献 |
| 在学期间发表的学术论文与研究成果参考文献 |
| 后记 |
四、基于产业和市场结合的资本资产定价模型研究（论文参考文献）
- [1]中国大陆股市与国际主要股市的相依性、风险溢出与影响因素研究[D]. 钱玲玲. 浙江大学, 2021(02)
- [2]山东省“十强”典型产业发展中资本收益的三因素模型应用研究[D]. 韩轶. 山东财经大学, 2021
- [3]TH公司长期投资风险管理问题研究[D]. 张彤. 长春工业大学, 2021(08)
- [4]基于LightGBM算法的行业轮动多因子选股方案研究[D]. 黄蕊. 上海师范大学, 2021(07)
- [5]经济政策不确定性对我国股票市场资产组合定价的影响研究[D]. 周璐. 暨南大学, 2020(04)
- [6]流动性杠杆对个股的冲击效应实证研究[D]. 谢隽. 湘潭大学, 2020(02)
- [7]金融杠杆与资产价格泡沫：影响机制及其监控研究[D]. 冯文芳. 东南大学, 2020(02)
- [8]利率变动对股价的影响研究[D]. 原仙鹤. 华北电力大学(北京), 2020(06)
- [9]基于Fama-French三因子模型对A股轻资产行业和重资产行业的股票收益研究[D]. 赵师玥. 兰州大学, 2020(01)
- [10]人工智能类上市公司企业价值评估 ——以大华股份为例[D]. 孔早早. 天津财经大学, 2020(07)