基于神經(jīng)網(wǎng)絡(luò)的我國(guó)滬深股市星期效應(yīng)新探

張成虎，武博華，郭 勇

(西安交通大學(xué)經(jīng)濟(jì)與金融學(xué)院，陜西西安 710061)

有效市場(chǎng)假說(shuō)自提出后，長(zhǎng)期受到來(lái)自理論與實(shí)證的挑戰(zhàn)。自Cross(1973)［1］發(fā)現(xiàn)周末效應(yīng)后大量的結(jié)果都對(duì)有效市場(chǎng)假說(shuō)理論提出質(zhì)疑。其中星期效應(yīng)自被發(fā)現(xiàn)以來(lái)，受到各國(guó)學(xué)者的廣泛重視。星期效應(yīng)是指一周內(nèi)各交易日之間股票收益率存在顯著差異的現(xiàn)象。星期效應(yīng)的存在意味著在不考慮交易成本的情況下，證券市場(chǎng)存在套利的可能。我國(guó)證券市場(chǎng)星期效應(yīng)的研究起始于20世紀(jì)90年代，縱觀近20年的研究成果，我國(guó)星期效應(yīng)的研究一般使用傳統(tǒng)的計(jì)量經(jīng)濟(jì)學(xué)方法。相比于傳統(tǒng)的計(jì)量經(jīng)濟(jì)學(xué)方法，神經(jīng)網(wǎng)絡(luò)對(duì)樣本的分布沒(méi)有要求，并且在處理混沌分布數(shù)據(jù)方面具有更高的效率。因此，本文采用神經(jīng)網(wǎng)絡(luò)的方法對(duì)星期效應(yīng)進(jìn)行研究，首次提出考慮成交額、成交量等因素，并對(duì)其進(jìn)行敏感性分析。以期在較高的維度范圍內(nèi)發(fā)現(xiàn)證券市場(chǎng)的星期效應(yīng)，從而為檢驗(yàn)市場(chǎng)是否有效提供證據(jù)。

一、文獻(xiàn)綜述

星期效應(yīng)最早是由Cross［1］發(fā)現(xiàn)的，他發(fā)現(xiàn)1953年至1970年標(biāo)準(zhǔn)普爾500指數(shù)周一與周五的收益率存在顯著差異。Pettengill［2］對(duì)2003年前的研究做出系統(tǒng)的總結(jié)。他將之前的研究分為三類:(1)檢驗(yàn)星期效應(yīng)的存在;(2)研究星期效應(yīng)的原因;(3)研究星期效應(yīng)指導(dǎo)投資決策的效率。2003年后星期效應(yīng)依然是各國(guó)研究的熱點(diǎn)。從已有文獻(xiàn)來(lái)看，2003年后對(duì)星期效應(yīng)的研究主要有三大進(jìn)展:(1)傳統(tǒng)周一效應(yīng)的逆轉(zhuǎn)，即收益率顯著為負(fù)逆轉(zhuǎn)為顯著為正［3］;(2)星期效應(yīng)正在逐漸消失［4］;(3)神經(jīng)網(wǎng)絡(luò)方法運(yùn)用于研究并取得很好的效果［5］。

國(guó)內(nèi)對(duì)星期效應(yīng)的研究起始于20世紀(jì)90年代。國(guó)內(nèi)第一篇關(guān)于星期效應(yīng)的文獻(xiàn)來(lái)自俞喬［6］，他在文中提到了“周日效應(yīng)”。近年來(lái)，對(duì)星期效應(yīng)的研究無(wú)論是在方法上還是在視角上都有較大的進(jìn)展。張兵［7］認(rèn)為中國(guó)證券市場(chǎng)早期存在明顯的周五效應(yīng)和周二效應(yīng)，但1998年后逐漸消失。吳武清、陳敏和梁斌［8］發(fā)現(xiàn)行業(yè)指數(shù)的收益率、時(shí)變特雷諾比率存在顯著的周二效應(yīng)和周四效應(yīng)。郭彥峰、黃登仕和魏宇［9］使用非對(duì)稱GJR－GARCH模型研究了上海期貨市場(chǎng)的星期效應(yīng)。焦亞杰、李朋林［10］發(fā)現(xiàn)上海期貨市場(chǎng)存在周日效應(yīng)，但根據(jù)期貨品種的不同其表現(xiàn)也有所不同。陶可［11］做了系統(tǒng)的總結(jié)，其中主要有交易時(shí)間與日歷時(shí)間假說(shuō)、結(jié)算制度假說(shuō)、股利假說(shuō)、投資者心理假說(shuō)、投資者行為假說(shuō)和交易成本假說(shuō)等。張晨曦、楊一文［12］運(yùn)用混合密度神經(jīng)網(wǎng)絡(luò)對(duì)我國(guó)股市流動(dòng)性的“周內(nèi)效應(yīng)”進(jìn)行了實(shí)證分析。研究發(fā)現(xiàn)滬深股市的流動(dòng)性在一段時(shí)間存在負(fù)的“星期五效應(yīng)”。譚松濤、王亞平、劉佳［13］對(duì)我國(guó)證券市場(chǎng)換手率的周末效應(yīng)進(jìn)行了研究，并考察了信息對(duì)股市換手率的影響。劉駿江、李莉莉、甘法嶺［14］利用修正的GARCH模型對(duì)我國(guó)滬深股市分段樣本區(qū)間進(jìn)行了研究。結(jié)果發(fā)現(xiàn)在不同的樣本區(qū)間均存在星期效應(yīng)，但是表現(xiàn)形式并不一致。何有世、李明輝［15］使用ARMA－GARCH－M模型對(duì)中國(guó)股市的時(shí)間效應(yīng)進(jìn)行了檢驗(yàn)。實(shí)證分析得出的結(jié)論是大盤股存在正的星期五效應(yīng)，中盤股不存在星期效應(yīng)，而小盤股存在正的星期一效應(yīng)。

從研究結(jié)論看，大多數(shù)學(xué)者認(rèn)為我國(guó)存在星期效應(yīng)，但對(duì)星期效應(yīng)的存在形式與強(qiáng)弱持有不同的看法。

從研究方法看，目前我國(guó)學(xué)者對(duì)星期效應(yīng)的實(shí)證研究幾乎全部使用傳統(tǒng)的計(jì)量經(jīng)濟(jì)學(xué)方法。描述性統(tǒng)計(jì)檢驗(yàn)?zāi)軌蛑庇^給出數(shù)據(jù)特征。但不具有顯著性［16］。非參數(shù)檢驗(yàn)無(wú)需事先知道樣本的分布，適合于證券市場(chǎng)的樣本呈現(xiàn)非正態(tài)分布的情況。利用非參數(shù)統(tǒng)計(jì)檢驗(yàn)星期效應(yīng)的存在一般利用Kruskal—Wallis檢驗(yàn)，檢驗(yàn)星期效應(yīng)的模式特征采用Mann－Whitney檢驗(yàn)。但是非參數(shù)檢驗(yàn)只能檢驗(yàn)一周內(nèi)各交易日間是否存在差異，不能檢測(cè)出星期效應(yīng)具體的形式。

另外，雖然使用GARCH模型簇研究星期效應(yīng)解決了價(jià)格的非對(duì)稱影響，但還是存在以樣本的正態(tài)假設(shè)為前提。總體來(lái)說(shuō)，傳統(tǒng)計(jì)量經(jīng)濟(jì)學(xué)的方法存在樣本總體滿足正態(tài)分布、處理數(shù)據(jù)低效率這兩個(gè)結(jié)構(gòu)性的缺陷。

神經(jīng)網(wǎng)絡(luò)是一種利用人工智能方法建模復(fù)雜目標(biāo)函數(shù)的方法。由于其在處理非線性問(wèn)題時(shí)的高效率，近年來(lái)，神經(jīng)網(wǎng)絡(luò)方法被廣泛應(yīng)用于金融領(lǐng)域。金融時(shí)間序列一般表現(xiàn)為隨機(jī)游走過(guò)程，這使得利用傳統(tǒng)統(tǒng)計(jì)學(xué)方法預(yù)測(cè)時(shí)間序列走勢(shì)變得困難。神經(jīng)網(wǎng)絡(luò)方法通過(guò)對(duì)樣本數(shù)據(jù)的不斷的訓(xùn)練、糾正，能充分提取時(shí)間序列數(shù)據(jù)中的規(guī)則并利用提取的規(guī)則對(duì)未來(lái)進(jìn)行預(yù)測(cè)。應(yīng)用神經(jīng)網(wǎng)絡(luò)研究星期效應(yīng)主要有以下優(yōu)點(diǎn):(1)不考慮樣本的分布特征，適合于證券市場(chǎng)這類呈現(xiàn)混沌分布特征的金融問(wèn)題研究;(2)綜合考慮多變量對(duì)星期效應(yīng)的影響，并對(duì)這些變量進(jìn)行敏感性分析，以發(fā)現(xiàn)這些變量影響星期效應(yīng)的程度。

因此，本文采用神經(jīng)網(wǎng)絡(luò)方法對(duì)我國(guó)證券市場(chǎng)的星期效應(yīng)進(jìn)行研究，以期為我國(guó)證券市場(chǎng)的有效性提供證據(jù)，為證券市場(chǎng)投資者進(jìn)行決策提供參考。

二、模型設(shè)計(jì)與結(jié)果分析

神經(jīng)網(wǎng)絡(luò)目前有幾十種不同的模型，本文選用MLP(Multiple Layer Perceptron，多層感知器)網(wǎng)絡(luò)進(jìn)行星期效應(yīng)的研究。MLP網(wǎng)絡(luò)模型是一種典型的單向傳播的多層前向型網(wǎng)絡(luò)，包括輸入層、隱藏層和輸出層。MLP網(wǎng)絡(luò)一般采用誤差逆?zhèn)鞑ニ惴?即BP算法)對(duì)樣本進(jìn)行學(xué)習(xí)。

本文設(shè)計(jì)的MLP網(wǎng)絡(luò)的輸入包括四個(gè)輸入變量，即x1:收益率;x2:成交量;x3:成交額;x4:價(jià)格極差。

(一)樣本選取

本文選取2009年1月9日至2011年4月1日間上證指數(shù)、深圳綜合指數(shù)為研究樣本，數(shù)據(jù)來(lái)源于瑞思數(shù)據(jù)庫(kù)。其中收益率的計(jì)算公式為分別表示第 t日和 t－ 1 日的收盤指數(shù)，Rt表示第t日的日收益率;價(jià)格極差的計(jì)算公式為:HLt=PHt－PLt，其中PHt表示第t日最高價(jià)，PLt表示第t日的最低價(jià)。

(二)數(shù)據(jù)預(yù)處理

1.數(shù)據(jù)歸一化 對(duì)原始樣本首先需要剔除無(wú)交易日的樣本，然后需對(duì)樣本進(jìn)行歸一化處理。歸一化處理的目的是防止神經(jīng)網(wǎng)絡(luò)在訓(xùn)練時(shí)神經(jīng)元之間連接的權(quán)值的設(shè)置由于變量屬性值的量綱不同而產(chǎn)生誤差;另外，歸一化處理能夠加快程序的收斂速度。

本文樣本歸一化采用Matlab中提供的mapminmax()函數(shù)進(jìn)行處理，將樣本屬性值歸一化至區(qū)間［0，1］，其算法如下:

其中y是歸一化后的數(shù)據(jù)，ymax，ymin分別表示歸一化區(qū)間的最大值與最小值，xmax，xmin分別表示屬性值的最大值與最小值。

2.SMOTE處理 SMOTE算法的基本思想是對(duì)樣本中的所有少數(shù)類樣本求其k個(gè)鄰近少數(shù)類樣本，然后在這k個(gè)樣本中隨機(jī)選擇一個(gè)，求出該樣本與原少數(shù)類樣本每個(gè)屬性之間的差值，最后隨機(jī)生成一個(gè)(0，1)之間的數(shù)字，將該隨機(jī)數(shù)乘屬性差值后與原少數(shù)類樣本的屬性值相加合成新的樣本。重復(fù)上述算法直到新的樣本集達(dá)到均衡為止。樣本經(jīng)過(guò)SMOTE技術(shù)處理以后，使得分類器對(duì)于少數(shù)類樣本具有更大的泛化空間，因此可提高整體的分類準(zhǔn)確率。本文的實(shí)驗(yàn)需要合成3倍少數(shù)類樣本以使樣本達(dá)到均衡。SMOTE算法使用Matlab編程實(shí)現(xiàn)。

(三)傳統(tǒng)計(jì)量方法驗(yàn)證

為了與神經(jīng)網(wǎng)絡(luò)的檢驗(yàn)結(jié)果對(duì)比，首先利用T檢驗(yàn)檢測(cè)我國(guó)滬市的星期效應(yīng)。由于T檢驗(yàn)的假設(shè)前提中需要樣本呈正態(tài)分布，因此檢驗(yàn)結(jié)果并不準(zhǔn)確，該檢驗(yàn)的目的只是用來(lái)參考。檢驗(yàn)的結(jié)果如表1所示。

表1 周內(nèi)各交易日日收益率均值T檢驗(yàn)

從表1可以看出，在5%的顯著性水平下，只有周二樣本區(qū)間拒絕原假設(shè)，即認(rèn)為周二日收益率與整體收益率存在差異。在10%的顯著性水平下，周一和周二樣本區(qū)間都拒絕原假設(shè)，即認(rèn)為周一和周二的收益率與整體收益率存在差異。因此，通過(guò)T檢驗(yàn)可以推測(cè)我國(guó)滬市在整個(gè)樣本區(qū)間內(nèi)存在收益率顯著為正的周一效應(yīng)和收益率顯著為負(fù)的周二效應(yīng)。

(四)神經(jīng)網(wǎng)絡(luò)實(shí)證結(jié)果分析

本文利用STATISTICA神經(jīng)網(wǎng)絡(luò)進(jìn)行分類。輸入變量包括return(日收益率)、tradeVol(成交量)、tradeSum(成交額)和H－L(價(jià)格極差);目標(biāo)變量為day，表示神經(jīng)網(wǎng)絡(luò)的目標(biāo)變量劃分的類別。由于本文的目的只是觀察神經(jīng)網(wǎng)絡(luò)分類的結(jié)果，不需要對(duì)未來(lái)的數(shù)據(jù)進(jìn)行預(yù)測(cè)，因此不需要獲得分類器，從而樣本數(shù)據(jù)也不需要分為訓(xùn)練集、測(cè)試集和驗(yàn)證集，而將所有的樣本全部歸為訓(xùn)練集。本文采用多層感知器模型(MLP)，并設(shè)定隱藏層與輸出層神經(jīng)元的激活函數(shù)。需要說(shuō)明的是利用神經(jīng)網(wǎng)絡(luò)分類的方法檢驗(yàn)是否存在星期效應(yīng)并沒(méi)有明確的標(biāo)準(zhǔn)，為了研究的需要，本文設(shè)定顯著存在星期效應(yīng)的標(biāo)準(zhǔn)是所研究交易日的類別的分類正確率遠(yuǎn)大于分類錯(cuò)誤率，且綜合分類正確率大于75%。如檢驗(yàn)周一效應(yīng)，若周一的分類正確率為70%，分類錯(cuò)誤率為30%，則分類正確率遠(yuǎn)遠(yuǎn)大于分類錯(cuò)誤率，如果綜合分類正確率大于75%，則認(rèn)為在所研究的樣本區(qū)間存在顯著的周一效應(yīng)。

首先對(duì)上證指數(shù)2009年1月9日至2011年4月1日的樣本數(shù)據(jù)利用STATISTICA神經(jīng)網(wǎng)絡(luò)進(jìn)行分析。由于事先并不知道存在何種星期效應(yīng)，因此在分析之前，需對(duì)周內(nèi)每個(gè)交易日分別進(jìn)行SMOTE處理。如研究是否存在周四效應(yīng)，則首先需對(duì)周四的交易數(shù)據(jù)進(jìn)行SMOTE處理，然后與其他交易日的數(shù)據(jù)匯總后進(jìn)行研究。

表2為上證指數(shù)星期效應(yīng)的檢驗(yàn)結(jié)果的匯總情況，綜合分類正確率超過(guò)75%的有3個(gè)，分別是周一:76.162 79%;周二:81.511 63%;周四:78.255 81%。再分別觀察分類錯(cuò)誤表，表3為周一的錯(cuò)誤分類表，可以看出，周一的正確分類率為81%，錯(cuò)誤分類率為18%，正確分類率遠(yuǎn)遠(yuǎn)大于錯(cuò)誤分類率，按照前面的假定，可以認(rèn)為顯著存在周一效應(yīng)。同理可得顯著存在周二效應(yīng)與周四效應(yīng)。最后觀察敏感性分析表，表6為神經(jīng)網(wǎng)絡(luò)敏感性分析的結(jié)果，從表中可以看出，成交量與成交額對(duì)神經(jīng)網(wǎng)絡(luò)分類的結(jié)果影響較大，而收益率反而影響較小。具體來(lái)說(shuō)，周一效應(yīng)對(duì)成交量與收益率較敏感，周二效應(yīng)對(duì)成交額與價(jià)格極差較敏感，周四效應(yīng)對(duì)價(jià)格極差與成交量較敏感。

表2 上證指數(shù)2009—2011年星期效應(yīng)神經(jīng)網(wǎng)絡(luò)分類結(jié)果匯總

表3 上證指數(shù)2009—2011周一分類錯(cuò)誤表

表4 上證指數(shù)2009—2011周二分類錯(cuò)誤表

表5 上證指數(shù)2009—2011周四分類錯(cuò)誤表

表6 上證指數(shù)2009—2011神經(jīng)網(wǎng)絡(luò)敏感性分析

同理，在深市中綜合分類正確率超過(guò)75%的只有周一，為75.813 95%。周一的錯(cuò)誤分類表中，周一的分類正確率為79%，分類錯(cuò)誤率為20%，分類正確率遠(yuǎn)遠(yuǎn)大于分類錯(cuò)誤率，因此存在顯著的周一效應(yīng)。另外經(jīng)過(guò)敏感性分析得出深市周一效應(yīng)對(duì)成交量與成交額較敏感，對(duì)收益率不是很敏感。

綜合滬市與深市星期效應(yīng)的檢驗(yàn)結(jié)果，可以看出利用神經(jīng)網(wǎng)絡(luò)分類并考慮輸入多變量的方法研究星期效應(yīng)是可行的，并且效率較高。從結(jié)果來(lái)看，各個(gè)交易日的分類正確率都超過(guò)了60%，可以推測(cè)各交易日均存在或強(qiáng)或弱的廣義星期效應(yīng)，但在本文較嚴(yán)格的顯著性條件約束下，顯著的星期效應(yīng)只存在于滬市的周一、周二和周四以及深市的周一，且各自的表現(xiàn)形式也不盡相同。

滬深兩市均存在顯著的周一效應(yīng)，可能的原因是投資者在周末兩天的休市期間會(huì)對(duì)上周的市場(chǎng)信息進(jìn)行整理消化，在周一開(kāi)盤后會(huì)根據(jù)自己的預(yù)期進(jìn)行操作，如果投資者的預(yù)期均為理性預(yù)期，那么證券市場(chǎng)的表現(xiàn)會(huì)較一致，導(dǎo)致周一股市成交量、價(jià)格等因素會(huì)顯著區(qū)別于周內(nèi)其他交易日。滬市存在周二效應(yīng)，有可能是投資者對(duì)于周一股市表現(xiàn)的“慣性”行為，也可能是部分信息缺乏投資者的修正行為。滬深兩市都不存在周三效應(yīng)是因?yàn)橥顿Y者對(duì)周末信息已基本消化吸收，而對(duì)于前兩天的新信息尚處于吸收階段，此時(shí)投資者往往根據(jù)自己的判斷進(jìn)行投資，投資行為會(huì)變得不一致。滬市存在周四效應(yīng)，可能是因?yàn)橥顿Y者在吸收了前三天的信息后，已經(jīng)基本了解了本周的市場(chǎng)行情，因此會(huì)做出理性的投資策略，于是證券市場(chǎng)表現(xiàn)會(huì)較一致。滬深兩市均不存在周五效應(yīng)，一個(gè)可能的原因是我國(guó)投資者比較保守，在沒(méi)有新信息的情況下，投資者往往會(huì)選擇持有股票等待有利時(shí)機(jī)再做決策。從綜合分類結(jié)果可以看出，滬市的星期效應(yīng)較深市表現(xiàn)更為顯著，從某種意義上說(shuō)明上海證券市場(chǎng)的有效性較深市弱。

三、結(jié)論與展望

本文首先分析了星期效應(yīng)傳統(tǒng)研究方法的不足，在此基礎(chǔ)上綜合考慮了成交量、成交額、收益率以及價(jià)格極差等多因素對(duì)星期效應(yīng)的影響，并利用神經(jīng)網(wǎng)絡(luò)分類方法對(duì)2009年1月9日至2011年4月1日滬深指數(shù)進(jìn)行了檢驗(yàn)，得出的結(jié)論如下:

(1)在顯著性水平為10%時(shí)，T檢驗(yàn)方法只檢測(cè)出滬市的周一效應(yīng)和周二效應(yīng)，而神經(jīng)網(wǎng)絡(luò)還發(fā)現(xiàn)了周四效應(yīng)。另外，從神經(jīng)網(wǎng)絡(luò)的分類結(jié)果來(lái)看，滬市各交易日的分類正確率均達(dá)到了60%，因此可以推測(cè)各交易日均存在廣義上的星期效應(yīng)，由此來(lái)看，我國(guó)證券市場(chǎng)的有效性程度較低。

(2)上證指數(shù)存在顯著的成交量與收益率敏感的周一效應(yīng)、成交額與價(jià)格極差敏感的周二效應(yīng)和價(jià)格極差與成交量敏感的周四效應(yīng);深圳綜指存在顯著的成交量與成交額敏感的周一效應(yīng)。

(3)從神經(jīng)網(wǎng)絡(luò)敏感性分析的結(jié)果可知，成交量、成交額與價(jià)格極差對(duì)星期效應(yīng)的影響較大，而收益率的影響較小，這可能是傳統(tǒng)利用收益率檢驗(yàn)星期效應(yīng)時(shí)效率較低的一個(gè)原因。

本文實(shí)證結(jié)果顯示我國(guó)滬深股市存在著顯著的星期效應(yīng)，這與目前的一部分研究結(jié)論相反。星期效應(yīng)的存在說(shuō)明我國(guó)證券市場(chǎng)有效性程度不高，市場(chǎng)穩(wěn)定度較低，證券市場(chǎng)存在套利的可能。由前面的分析可知，星期效應(yīng)存在的原因是信息不對(duì)稱的結(jié)果，這反映出我國(guó)股票市場(chǎng)信息披露制度不完善，制度不規(guī)范，行政手段介入較嚴(yán)重。希望政府進(jìn)一步完善信息披露機(jī)制，加強(qiáng)對(duì)信息披露的監(jiān)管，另外提升證券從業(yè)人員的道德修養(yǎng)，規(guī)范證券服務(wù)機(jī)構(gòu)的行為也是消減我國(guó)證券市場(chǎng)的星期效應(yīng)，增強(qiáng)市場(chǎng)有效性程度的方法。

［1］CROSS.The Behavior of Stock Prices on Fridays and Mondays［J］.Financial Analysis Journal，1973，29(6).

［2］PETTENGILL，GLENN N.A survey of the Monday effect literature［J］.Quarterly Journal of Business and Economics，2003，(42).

［3］DOYLE J R，CHEN C H.The wandering weekend effect in major stock markets［J］.Journal of Banking and Finance，2009，(8).

［4］STEPHEN P.KEEF，MELVIN L.Roush.Day－of－the－week effects in the pre－h(huán)oliday returns on the Standard and Poor’s 500 stock index［J］.Applied Financial Economics，2005，15(2).

［5］SAKALAUSKAS V，KRIKSCIUNIENE D.Application of Neural Networks for Investigating Day－of－the－Week Effect in Stock Market［J］.Tools and Applications with Artificial Intelligence，2009，(166).

［6］俞喬.市場(chǎng)有效、周期異常與股價(jià)波動(dòng)——對(duì)上海、深圳股票市場(chǎng)的實(shí)證分析［J］.經(jīng)濟(jì)研究，1994，(4).

［7］張兵.中國(guó)股市日歷效應(yīng)研究:基于滾動(dòng)樣本檢驗(yàn)的方法［J］.金融研究，2005，(7).

［8］吳武清，陳敏，梁斌.中國(guó)股市周內(nèi)效應(yīng)研究——來(lái)自時(shí)變貝塔、時(shí)變特雷諾比率和交易量的新結(jié)果［J］.數(shù)理統(tǒng)計(jì)與管理，2008，(1).

［9］郭彥峰，黃登仕，魏宇.上海期貨市場(chǎng)收益和波動(dòng)的周日歷效應(yīng)研究［J］.管理科學(xué)，2008，(4).

［10］焦亞杰，李朋林.滬深股市星期效應(yīng)的實(shí)證研究［J］.當(dāng)代經(jīng)濟(jì)，2009，(2).

［11］陶可.周內(nèi)效應(yīng)及其解釋假說(shuō)述評(píng)［J］.經(jīng)濟(jì)學(xué)動(dòng)態(tài)，2007，(3).

［12］張晨曦，楊一文.基于混合密度網(wǎng)絡(luò)測(cè)度股市流動(dòng)性“周內(nèi)效應(yīng)”［J］.中國(guó)證券期貨，2010，(9).

［13］譚松濤，王亞平，劉佳.漸進(jìn)信息流與換手率的周末效應(yīng)［J］.管理世界，2010，(8).

［14］劉駿江，李莉莉，甘法嶺.基于修正GARCH模型的中國(guó)股市周內(nèi)效應(yīng)實(shí)證研究［J］.青島大學(xué)學(xué)報(bào)(自然科學(xué)版)，2011，(2).

［15］何有世，李明輝.中國(guó)股市大中小盤股時(shí)問(wèn)效應(yīng)的比較分析［J］.西南金融，2011，(3).

［16］張?zhí)K林，王巖.滬深股指波動(dòng)率的周內(nèi)效應(yīng)和杠桿效應(yīng)分析［J］.商業(yè)研究，2011，(9).