下载掌阅APP，畅读海量书库
立即打开
本书的主要创新点包括以下三个方面：
创新点1：从大数据的视角，通过定量化分析，首次论证了中国证券市场存在基于媒体关联的动量溢出效应。相较于现有研究中提出的反映企业基本面关联的企业关联关系而言，基于媒体关联的企业关联关系能够更加有效地捕捉企业之间的动量溢出效应。
金融学最新研究成果表明，相关企业的资产收益率之间存在动量溢出效应，即一个企业的证券资产收益率在过去的表现会对与该企业相关联的其他企业的资产预期收益率产生跨期的预测作用。本书运用图论的思想，基于新闻共同报道构建企业关联关系，论证了中国证券市场中基于媒体关联的动量溢出效应的存在性、有效性和稳健性，为实证资产定价研究的发展提供了中国证券市场的证据。本书从大数据的视角出发，创新性地提出基于媒体新闻共同报道捕捉企业关联关系的思想，并系统地论证了以该思想为指导构建的企业关系代理变量的独特性和有效性，及其对证券市场波动的影响作用。本书指出，基于媒体新闻共同报道构建的企业关联关系既能反映企业之间的基本面关联，又能捕捉企业之间除基本面关联之外可能存在的受行为因素影响的其他关联关系。相较于现有研究捕捉的企业关联关系，本书构建的基于媒体关联的企业关系无论是在实证资产定价检验，还是基于深度学习模型的预测结果中，都具有很好的表现。
创新点2：导致动量溢出效应的企业关联关系是复杂多变的，即多种不同的企业关联关系相互共存，依据市场运行态势动态地调节其对动量溢出效应的影响程度。为了克服传统计量方法无法有效捕捉基于复杂关系的动态传导和溢出作用的局限性，本书创新性地提出了一个面向动量溢出效应的自适应动态图神经网络算法，以细致地刻画动量在企业之间的转移和汇集作用，从而为探究动量溢出效应对证券市场波动风险的影响提供了一个基于智能计算的研究思路。
资本市场涵盖了多样资产和各类市场参与者，是一个复杂且不断变化的综合系统。传统的研究普遍从企业自身出发，以资产自身的视角解释不同的风险因素如何影响一个企业的资本成本和预期收益率的问题，忽略了资产之间的关联关系对不同资产价格波动的影响作用。本书在验证了中国证券市场存在基于媒体关联的动量溢出效应的基础上，为了实时且动态地捕捉基于多种企业关联关系的综合的动量溢出效应，率先对传统的图神经网络算法做出改进，提出基于门控机制的动态图神经网络算法，对企业间多种关系进行融合，动态地捕捉不同市场运行状态下，企业之间关联关系重要程度的变化对资产价格波动的影响作用，从而为理解和捕捉企业之间的多种关联关系在市场运行过程中对企业资产价格或收益率变动的动态影响和综合作用提供参考。本研究是国际上率先将动量溢出效应引入基于深度学习的资产交易策略的研究之一，为量化投资提供了一个重要的思路。本书提出的基于门控机制的自适应动态图神经网络算法奠定并拓展了深度学习在金融中应用的基础，实现了对关联资产波动的实时监控和动态捕捉，有助于提升投资模型的预测效果和盈利能力，推动投资领域在投资策略和方法上实现突破。
创新点3：考虑到市场波动是各种影响因素交互融合、共同作用的合力结果，为了更细致且精准地捕捉动量溢出效应对证券市场波动的影响作用，本书创新性地提出了一个基于融合思想的智能计算大数据风险分析框架，以揭示多源异构（标量、向量、图结构）的市场信息对复杂经济系统的综合动态影响和综合作用，旨在为证券市场波动风险分析这个金融学经典命题探寻一个新的智能计算解决方案，推动学科研究范式的创新。
证券市场是一个复杂的动态系统，其波动受到各种因素的共同影响。近代金融学理论逐步确立了三大类影响市场波动的因素，即，数值表征的宏微观经济指标、文本向量表征的媒体信息和图表征的企业关联关系。传统的金融研究一直致力于“解构”证券市场波动的内在机理，由导致资产价格波动的原因出发，从市场运行环境、宏微观经济指标、政策变化、公司治理、投资者非理性情绪等多个视角，逐一探寻不同因素对资产价格波动的影响。然而，真实的市场波动是各种因素相互交融、共同作用的合力结果，忽略各类影响市场波动的因素之间的交互作用便无法捕捉证券市场运行过程的全貌。本书从“融合”的视角出发，基于近代金融学理论成果，创新性地提出面向动量溢出效应的多源异构市场信息融合深度学习预测框架，将影响证券市场波动的各类因素放入统一的分析框架，来探究各类异构市场信息对证券波动的合力影响，从而进一步逼近真实市场波动。该框架实现了对证券市场复杂运行过程的合理建模，有助于洞悉复杂且动态变化的市场运行过程的全貌，同时，本书对原创性数据集和核心算法开源共享，旨在为政策制定者、上市公司及所有市场参与者提供理论参考和决策支持。特别地，通过同时对中国证券市场和美国证券市场展开分析，验证了本书构建的面向证券市场波动的多源异构市场信息融合深度学习预测框架的有效性和通用性。