57、基于大数据的印度中盘股股息宣告前后异常收益分析

基于大数据的印度中盘股股息宣告前后异常收益分析

1. 现有研究方法及局限性

在股票市场分析领域，已有多种方法用于预测股票趋势和提取知识，但都存在一定的局限性。
- 移动平均信号组合法 ：该方法结合不同窗口大小移动平均线产生的信号，但实验仅考虑了 0.05% 的低交易成本，这在期货市场虽现实，但不适用于其他市场。
- ANFIS 控制器与股票市场过程模型法 ：Atsalakis 和 Valavanis 通过比较 15 种过去模型组合选择输入，以最小化均方根误差来预测次日股票趋势，但未考虑佣金和税收负债，实际回报低于报告值。
- BPNN 与 SARIMA 模型法 ：Lee 等人研究了这两种模型预测韩国综合股价指数（KOSPI）及其回报的准确性，不过预测值的准确性依赖于模型开发过程，且仅适用于当地证券交易所。
- 混合 ANN 与 ARIMA 模型法 ：Merh 等人尝试用此模型预测印度股票市场趋势，但在混合模型中从 ARIMA 到 ANN 进行误差预测时会遇到过拟合问题。

2. 研究目标

现有文献对股票市场的各种分析技术和相关参数影响进行了讨论，但在新兴经济体（如印度）中，对股息宣告时股票回报异常性的研究不足。因此，本研究设定了以下目标：
- 评估 NIFTY 中盘股中中盘公司股票回报的异常性。
- 从回报异常消失所需时间的角度，考察股票市场的效率。

3. 数据与研究周期

为了研究股息宣告前后回报的异常性，我们选取了 2018