本文对现金流信息、现金流风险在股票收益中的定价关系进行了深入研究，建立了包含现金流信息的多因素股票非预期收益定价模型，并采用2002年1月至2011年4月间中国股票市场的有关交易数据、机构收益预测数据和财务数据，来检验理论模型和实证模型的预测，发现：（1）由证券分析师盈余预测修正来估计出的正现金流信息对股票非预期收益、股票实际收益、股票超额收益均具有稳健的解释能力;(2) 由证券分析师盈余预测估计出的现金流风险反映了股票的系统风险，可以对股票预期收益定价；(3) 在解释股票超额收益方面，由现金流信息、现金流风险、分析师跟踪人数与宿成建（2012）三因素模型构成的多因素变量模型优越于Fama和French(1996)三因素模型变量与现金流信息、现金流风险构成的多因素模型；

自2006年以来，我国上市公司推出的股权激励计划都是业绩型股权激励。我们发现，这些股权激励计划中的行权业绩条件主要集中在加权平均净资产收益率（ROE）和净利润增长率（NIG）两项会计业绩指标上，且对它们所要求的业绩水平分别集中在“10%”和 “20%”上，形成了有趣的“10%/20%”现象。这到底是企业盈利能力的真实期望还是从众效应之结果呢？本文通过将行权业绩条件与推出股权激励计划公司自身往期、所在行业往期以及推出计划前分析师盈利预测等进行比较后发现，“10%/20%”并非推出股权激励计划公司盈利能力的真实期望和合理反映，而是从众效应之结果。本文还发现，这一从众效应与证监会的股权激励计划备案制及对股权再融资等的长期监管存在一定关联。

本文选取了2011年1月1日到2012年10月10日的人民币汇率作为数据源，采用了BP神经网络动态模型与ARMA模型对人民币汇率进行了预测分析，结果表明：预测人民币汇率的涨跌方向上和预测人民币汇率大小偏差上，BP神经网络动态模型的预测效果都要好于ARMA模型的预测效果。

本文采用经典Weibull-SCD(1,1)模型，应用超高频股指期货行情数据，研究了我国股指期货市场交易久期的日内模式和聚类特征,研究结论如下：四个合约均具有显著的日内效应，当月合约全天呈现显著的W型特征，下月、下季和隔季合约全天基本呈现倒V形特征。当月合约比下月合约的交易聚类性显著，下季合约比隔季合约的交易聚类性显著。微观结构变量对交易久期的影响与理论预测相一致，即在我国股指期货市场交易久期的聚类性，不是由于流动性交易造成的，而是新信息发生作用的结果，也就是说当前的持仓量、买卖价差和成交量都会对未来的交易久期，即聚类性产生显著的影响。持仓量和交易量的提高促进了未来交易久期的降低，而买卖价差的扩大会使未来的交易久期提高。

近年来极端金融风险频发，“黑天鹅”事件对投资者的影响成为投资、研究和监管都 高度关注的问题，基于此，本文对中国A股市场上的跳跃风险进行研究。我们先侦测了个股的跳跃，得出跳跃的三个维度：跳跃幅度均值、跳跃幅度波动以及跳跃频率。接着，我们再对个股的跳跃风险载荷及其风险溢酬进行研究，发现在中国投资有极端风险的股票并不能获得额外的风险溢酬，但在短期中，这种风险溢酬的时变性可以被市场波动率所预测。

股指期货在资本市场价格发现和风险防范过程中扮演重要角色，科学准确的预测其 收益波动率对充分实现股指期货避险功能具有重要的理论和现实价值。以线性非负模型为 基础，通过幂转换以及不设定扰动项的具体相关结构和分布形式，构建了一个半参数预测 模型来预测高频环境下股指期货市场波动率。模型采用基于极值估计量的两阶段估计法进 行估计，Monte Carlo模拟实验表明该估计方法的渐进性质表现良好。此外，以沪深300 股指期货的5分钟高频交易数据为例，运用滚动时间窗的样本外预测和最新发展起来的具 有Bootstrap特性的MCS检验，在多种稳健损失函数下，实证评价和比较了新构建的半参数 预测模型与其他7类波动率预测模型对高频环境下沪深300股指期货波动率的预测能力。实 证结果表明：在多种稳健损失函数的评价标准下，新构建的股指期货波动率的半参数预测 模型是预测预测能力最好的模型。

本文建立了股票非预期收益定价模型，提出了两个新的度量变量，即表示分析家关于公司会计收益的理性预期的修正变量δPepst/Pt-1 以及市场情绪变量URM，在此基础上，本文建立了多变量回归模型，并采用2002年1月至2008年12月间中国股票市场的有关交易数据、机构收益预测数据和财务数据，来检验理论模型和实证模型的预测，发现：（1）、总风险与系统风险不能解释股票非预期收益，和Chambers和Freeman(2005)的结论相反，与非预期收益有关的总风险与系统风险也不能解释股票非预期收益。（2）、当期非预期会计收益期初价格比epst/Pt-1 、表示公司会计收益的理性预期的修正变量δPepst/Pt-1 1. 引言 以及市场情绪变量URM构成的三因素定价模型可以完全解释股票的非预期收益。

首先应用模糊聚类方法将数据分类，以相邻两个聚类中心的中点作为子区间的分界点来划分论域，并以此将时间序列模糊化为模糊时间序列；其次根据证券市场主要量价指标建立了具有多个前件的高阶模糊关系；最后将该模型用于上证股票综合指数和深证股票成分指数的多步预测和涨跌趋势预测。与典型模糊时间序列模型比较，涨跌趋势预测准确率有较大提高，多步预测结果表明模型具有较好的泛化能力。

本文选取沪深A股1463家上市公司，分别运用基于市场信息的Merton模型和基于会计信息的Logistic模型，测算公司的违约风险。相关性分析的研究结果表明，两种模型在违约测度方面的一致性较差，进一步基于ROC曲线以及准确性比率的分析结果显示，Logistic模型的违约预测效果明显优于Merton模型。

运用稀释因子调整的BS模型为股本权证定价，波动率参数的预测精度对定价效果具有重要影响。本文以沪深交易所上市的分离交易可转债所附带的权证及其标的股票日收益率和5分钟高频交易数据为样本，在对隐含波动率模型、已实现波动率模型以及历史波动率模型参数估计的基础上，以股本权证市场价格为评价基准，分别测算了基于三个波动率模型的定价效果。研究发现，基于隐含波动率模型的定价结果具有最小平均绝对偏差与平均相对偏差，模型效果最优，已实现波动率模型与历史波动率模型定价效果相对绩效不明确；基于历史波动率模型的定价结果对股本权证市场价格普遍低估，已实现波动率模型与隐含波动率模型定价结果同时存在着低估与高估。