1. 如何计算股票的残差
这个要看你的指数模型选什么指标做变量，通常如果两个高度竞争的公司，那么它们存在高度相关性，你如果用单指数模型，会导致残差高估。
2. 股票的一系列计算，能有详解和说明最好
解答如下：
90.(30-1*e^-(6%*2/12)-1*e^-(6%*5/12))*e^(6%*6/12)=28.89 选择B
91.此时为平值期权0元 选择A
92.折现到当前时间点计算 28.89-35*e^(-6%/4)=-5.55 选B （不太确定）
93.由ESS/TSS=0.95可知道，RSS/TSS=0.05,所以，TSS=120.5/0.05=2410,选择B
94.多重共线性，使得OLS参数估计不确定性增大，方差增大 选择A
3. 股指期货如何对冲股市，具体如何操作
股指期货的应用策略主要包括对冲性操作和趋势操作。特别是对冲操作，更成为机构投资者应用研究的重点。本文就对冲操作效果和效率的关联关系、关联系数方面的研究作一探讨。
一、对冲的概念
对冲作为股指期货应用的一种策略，分为防御性对冲、主动性对冲和综合性对冲。防御性对冲又叫被动性对冲，是把对冲操作作为一种避险措施来使用，目的是保护现货利益，规避系统风险。主要包括完全套期保值和留有敞口风险的不完全套期保值。主动性对冲，是把收益最大化或效率最大化作为目标的对冲策略。主要包括套利策略和系统性投机策略。综合性对冲又称混合性对冲，是上述策略的综合运用，比如把股指期货的综合功用融合进股票组合中，形成包含股指期货的组合投资策略，把股指期货策略当作风险控制器和效率放大器，从而使得夏普比率最大化，来实现不同时期、不同市场背景下的综合效果。
二、关联和系数
研究对冲基本策略，首先要着重研判关联。股票组合，标的指数，期货指数客观上形成一个三维关联关系。在这个三维体系中，研究方向是两组关联关系。即单品种（包括股票组合）和标的指数的关联，现货指数和期货指数的关联。研究重点是标的指数，因为其“一肩挑两头”。
（一）股票组合（包括单品种）和标的指数的关联
股指期货标的物有别于商品期货标的物的主要特征之一是不可完全复制性。商品现货可以完全复制标准仓单，只要按照标准仓单的要求去生成，二者不仅可以消灭质量离差而且可以消灭价格离差。股票组合与股指之间的离差是永远存在的，即使某指数基金严格按照沪深300指数的构成比例去组建这个组合，也不可能做到完全“复制”，因为沪深300指数以分级靠档派许加权法计算的权重比例，每个撮合节都在变，是个序列变量。所以只能做到“逼近”，比如跟踪指数的ETF基金。机构投资组合的品种中通常包括沪深300成分股之外的股票，收益率离差就更难以避免了。这个特征可以派生出两个概念：第一，商品期货对冲操作的目标是价格风险，而股指期货对冲的目标是价格风险中的系统性风险；第二，由于股指期货的现货价格形成于证券市场，是集中交易的结果，具有权威性、准确性、动态性和唯一性，因此更方便于建立数学模型来研判他们之间的关联系数。而关联系数就是对冲纽带中的第一个环节。股票组合和标的指数的关联可以用三个指标做定量化研究：撬动系数、贝塔系数、样本误差系数。
1.撬动系数。
单品种和指数的关联研究一般有两个实现途径：一是动因分析，二是常态（现象）分析。动因分析主要着眼于股指的波动构成因素和反作用，常态分析主要着眼于通常状态下的关联程度的概念。动因分析是主动性对冲的关键，常态分析是防卫性对冲的要点。撬动系数是动因分析的一个基本指标。
沪深300指数计算公式为，报告期指数=报告期成分股的总调整市值/基期×1000，其中，总调整市值=∑（市价×样本股调整股本数）。可见影响指数波动的直接动因是成分个股波动。我们把这种对造成指数波动的直接影响力进行解析称为动因分析。根据沪深300指数的形成机制，可以逆运算撬动系数，表达式为：撬动系数=（市价×样本股调整股本数）×指数市价/∑（市价×样本股调整股本数）。
撬动系数是一个构成沪深300指数成分的重要性程度对比指标，是该品种或者股票组合收益率占指数收益率的百分比，静态意义是在某一时间尺度，我们对其他品种做静止替代，该品种或组合收益率波动1%对沪深300指数撬动多少个点，也可以表达为撬动幅度，即该品种或组合收益率波动1%对沪深300指数收益率撬动的百分比。此系数可以用来分析指数的历史波动，也可以通过因素解析研判和预测指数未来的波动
4. 什么是量化交易，未来前景如何知道的讲讲。
国外量化交易已经发展了40年左右，量化交易程序换交易占比60%，量化基金规模达到30个亿美元，而国内量化交易起步较晚第一只量化基金在2004年左右，至今量化交易规模不过2万亿RMB，国内现在的量化人才也很缺失，随着过来一批量化交易的海龟回来从事量化交易会一定程度带动行业的发展，但是仍需一定时间，加上国内量化交易政策还不够明朗，整体来说量化交易在国内还是一年蓝海，但是路途并非坦途。
5. 对冲交易是什么意思
对冲交易对冲交易即同时进行两笔行情相关、方向相反、数量相当、盈亏相抵的交易。行情相关是指影响两种商品价格行情的市场供求关系存在同一性，供求关系若发生变化，同时会影响两种商品的价格，且价格变化的方向大体一致。方向相反指两笔交易的买卖方向相反，这样无论价格向什么方向变化，总是一盈一亏。当然要做到盈亏相抵，两笔交易的数量大小须根据各自价格变动的幅度来确定，大体做到数量相当。市场经济中，可以做对冲的交易有很多种，外汇对冲，期权对冲，但最适宜的还是期货交易。首先是因为期货交易采用保证金制度，同样规模的交易，只需投入较少的资金，这样同时做两笔交易成本增加不多。其次是期货可以买空卖空，合约平仓的虚盘对冲和实物交割的实盘对冲都可以做，完成交易的条件比较灵活，所以对冲交易也是在期货这种金融衍生工具诞生以后才得以较快发展。
商务印书馆《英汉证券投资词典》解释：对冲交易 hedge。亦作：套利交易。名。为了避免金融产品投资损失所采用的交易措施。最基本的方式为采用买进现货卖出期货或卖出现货买进期货，广泛使用于股票、外汇、期货等领域。对冲或套利交易的初衷是降低市场波动给投资品种带来的风险，锁定已有投资成果，但很多专业投资经理和公司将其用来投机盈利。单纯进行对冲投机的风险很大。另为：hedging。
下面以期货对冲举例说明其操作方法。
期货市场的对冲交易大致有四种。其一是期货和现货的对冲交易，即同时在期货市场和现货市场上进行数量相当、方向相反的交易，这是期货对冲交易的最基本的形式，与其他几种对冲交易有明显的区别。首先，这种对冲交易不仅是在期货市场上进行，同时还要在现货市场上进行交易，而其他对冲交易都是期货交易。其次，这种对冲交易主要是为了回避现货市场上因价格变化带来的风险，而放弃价格变化可能产生的收益，一般被称为套期保值。而其他几种对冲交易则是为了从价格的变化中投机套利，一般被称为套期图利。当然，期货与现货的对冲也不仅限于套期保值，当期货与现货的价格相差太大或太小时也存在套期图利的可能。只是由于这种对冲交易中要进行现货交易，成本较单纯做期货高，且要求具备做现货的一些条件，因此一般多用于套期保值。
其二是不同交割月份的同一期货品种的对冲交易。因为价格是随着时间而变化的，同一种期货品种在不同的交割月份价格的不同形成价差，这种价差也是变化的。除去相对固定的商品储存费用，这种价差决定于供求关系的变化。通过买入某一月份交割的期货品种，卖出另一月份交割的期货品种，到一定的时点再分别平仓或交割。因价差的变化，两笔方向相反的交易盈亏相抵后可能产生收益。这种对冲交易简称跨期套利。
其三是不同期货市场的同一期货品种的对冲交易。因为地域和制度环境不同，同一种期货品种在不同市场的同一时间的价格很可能是不一样的，并且也是在不断变化的。这样在一个市场做多头买进，同时在另一个市场做空头卖出，经过一段时间再同时平仓或交割，就完成了在不同市场的对冲交易。这样的对冲交易简称跨市套利。
其四是不同的期货品种的对冲交易。这种对冲交易的前提是不同的期货品种之间存在某种关联性，如两种商品是上下游产品，或可以相互替代等。品种虽然不同但反映的市场供求关系具有同一性。
6. 股票的二阶段三阶段定价法的基本思想
(三)组合的构造与收益率计算
对CAPM的总体性检验是检验风险与收益的关系，由于单个股票的非系统性风险较大，用于收益和风险的关系的检验易产生偏差。因此，通常构造股票组合来分散掉大部分的非系统性风险后进行检验。构造组合时可采用不同的标准，如按个股b系数的大小，股票的股本大小等等，本文按个股的b系数大小进行分组构造组合。将所有股票按b系数的大小划分为15个股票组合，第一个股票组合包含b系数最小的一组股票，依次类推，最后一个组合包含b数子最大的一组股票。组合中股票的b系数大的组合被称为"高b系数组合"，反之则称为"低b系数组合"。
构造出组合后就可以计算出组合的收益率了，并估计组合的b系数用于检验。这样做的一个缺点是用同一历史时期的数据划分组合，并用于检验，会产生组合b值估计的偏差，高b系数组合的b系数可能会被高估，低b系数组合的b系数可能被低估，解决此问题的方法是应用Black,Jenson与Scholes研究组合模型时的方法（下称BJS方法），即如下四步：
(1)利用第一期的数据计算股票的b系数。
(2)利用第一期的b系数大小划分组合
(3)采用第一期的数据，对组合的收益与市场收益率进行回归，估计组合的b系数
(4)将第一期估计出的组合b值作为自变量，以第二期的组合周平均收益率进行回归检验。
在计算组合的平均周收益率时，我们假设每个组合中的十只股票进行等额投资，这样对平均周收益率 只需对十只股票的收益率进行简单平均即可。由于股票的系统风险测度，即真实的贝塔系数无法知道，只能通过市场模型加以估计。为了使估计的贝塔系数更加灵敏，本研究用上一年的数据估计贝塔系数，下一年的收益率检验模型。
(四)组合贝塔系数和风险的确定
对组合的周收益率求标准方差，我们可以得到组合的总风险sp
组合的b值的估计，采用下面的时间序列的市场模型：
Rpt =ap+bpRmp+ept
其中：Rpt表示t时期投资组合的收益率
：为估计的系数
Rmt表示t期的市场组合收益率
ept为回归的残差
对组合的每周收益率与市场指数收益率回归残差分别求标准差即可以得到组合sep值。
表1：组合周收益率回归的b值与风险（1997.01.01～1997.12.31)
组合 组合b值 组合а值 相关系数平方 总风险 非系统风险
1 0.781 0.001 0.888 0.063 0.021
2 0.902 0.000 0.943 0.071 0.017
3 0.968 0.000 0.934 0.076 0.02
4 0.989 0.000 0.902 0.079 0.025
5 1 0.000 0.945 0.078 0.018
6 1.02 0.000 0.958 0.079 0.016
7 1.04 0.002 0.935 0.082 0.021
8 1.06 0.000 0.925 0.084 0.023
9 1.08 0.000 0.938 0.085 0.021
10 1.1 0.000 0.951 0.086 0.019
11 1.11 0.000 0.951 0.087 0.019
12 1.12 0.000 0.928 0.089 0.024
13 1.13 0.000 0.937 0.089 0.022
14 1.16 0.000 0.912 0.092 0.027
15 1.17 0.000 0.922 0.092 0.026
(五)组合平均收益率的确定
对组合按前面的构造方法，用第98年的周收益率求其算术平均收益率。
表2：组合的平均收益率（1998.1.1-1998.12.31）
组合 组合b 平均周收益率
1 0.781 0.0031
2 0.902 -0.0004
3 0.968 0.0048
4 0.989 0.0052
5 1 0.0005
6 1.02 -0.002
7 1.04 0.0038
8 1.06 0.003
9 1.08 0.0016
10 1.1 0.0026
11 1.11 0.005
12 1.12 0.0065
13 1.13 0.0044
14 1.16 0.0067
15 1.17 0.0074
(六)风险与收益关系检验
以97年的组合收益率估计b，以98年的组合收益率求周平均收益率。对15组组合得到的周平均收益率与各组合b系数按如下模型进行回归检验：
Rpj=g0+g1bpj
其中 : Rpj 是组合 j的98年平均周收益率
bpj 是组合j的b系数
g0，g1为估计参数
按照CAPM应有假设：
1.g0的估计应为Rf的均值，且大于零，表明存在无风险收益率。
2.g1的估计值应为Rm-Rf>0,表明风险与收益率是正相关系，且市场风险升水大于零。
回归结果如下：
g0 g1 R2
均值 -0.0143 0．0170 0.4867
T值 -2.8078 3.5114
查表可知，在5%显著水平下回归系数g1显著不为0，即在上海股市中收益率与风险之间存在较好的线性相关关系。论文在实践检验初期，发现当以93年至97年的数据估计b，而用98年的周收益率检验与风险b关系时，回归得到的结论是5%显著水平下不能拒绝回归系数g1显著为0的假设。这些结果表明，在上海股市中系统性风险b与周收益率基本呈现正线性相关关系。同时，上海股市仍为不成熟证券市场，个股b十分不稳定，从相关系数来看,尚有其他的风险因素在股票的定价中起着不容忽视的作用。本文将在下面进行CAPM模型的修正检验。
7. 请教，stata 如何定义时间序列 股票交
reg y x1 x2 x3predict e,r就可以生成变量命为e的残差
8. 如何用GARCH(1,1)求股票的具体波动率数据
以哈飞股份(600038)为例，运用GARCH（1,1）模型计算股票市场价值的波动率。
GARCH（1,1）模型为：
(1)
(2)
其中， 为回报系数， 为滞后系数， 和 均大于或等于0。
（1）式给出的均值方程是一个带有误差项的外生变量的函数。由于是以前面信息为基础的一期向前预测方差，所以称为条件均值方程。
（2）式给出的方程中： 为常数项， （ARCH项）为用均值方程的残差平方的滞后项， （GARCH项）为上一期的预测方差。此方程又称条件方差方程，说明时间序列条件方差的变化特征。
通过以下六步进行求解：
本文选取哈飞股份2009年全年的股票日收盘价，采用Eviews 6.0的GARCH工具预测股票收益率波动率。具体计算过程如下：
第一步：计算日对数收益率并对样本的日收益率进行基本统计分析，结果如图1和图2。
日收益率采用JP摩根集团的对数收益率概念，计算如下：
其中Si，Si-1分别为第i日和第i-1日股票收盘价。
图1 日收益率的JB统计图
对图1日收益率的JB统计图进行分析可知：
（1）标准正态分布的K值为3，而该股票的收益率曲线表现出微量峰度（Kurtosis=3.748926>3），分布的凸起程度大于正态分布，说明存在着较为明显的“尖峰厚尾”形态；
（2）偏度值与0有一定的差别，序列分布有长的左拖尾，拒绝均值为零的原假设，不属于正态分布的特征；
（3）该股票的收益率的JB统计量大于5%的显著性水平上的临界值5.99，所以可以拒绝其收益分布正态的假设，并初步认定其收益分布呈现“厚尾”特征。
以上分析证明，该股票收益率呈现出非正态的“尖峰厚尾”分布特征，因此利用GARCH模型来对波动率进行拟合具有合理性。
第二步：检验收益序列平稳性
在进行时间序列分析之前，必须先确定其平稳性。从图2日收益序列的路径图来看，有比较明显的大的波动，可以大致判断该序列是一个非平稳时间序列。这还需要严格的统计检验方法来验证，目前流行也是最为普遍应用的检验方法是单位根检验，鉴于ADF有更好的性能，故本文采用ADF方法检验序列的平稳性。
从表1可以看出，检验t统计量的绝对值均大于1%、5％和10%标准下的临界值的绝对值，因此，序列在1%的显著水平下拒绝原假设，不存在单位根，是平稳序列，所以利用GARCH（1,1）模型进行检验是有效的。
图2 日收益序列图
表1ADF单位根检验结果
第三步：检验收益序列相关性
收益序列的自相关函数ACF和偏自相关函数PACF以及Ljung-Box-Pierce Q检验的结果如表3（滞后阶数 =15）。从表4.3可以看出，在大部分时滞上，日收益率序列的自相关函数和偏自相关函数值都很小，均小于0.1，表明收益率序列并不具有自相关性，因此，不需要引入自相关性的描述部分。Ljung-Box-Pierce Q检验的结果也说明日收益率序列不存在明显的序列相关性。
表2自相关检验结果
第四步：建立波动性模型
由于哈飞股份收益率序列为平稳序列，且不存在自相关，根据以上结论，建立如下日收益率方程：
(3)
(4)
第五步：对收益率残差进行ARCH检验
平稳序列的条件方差可能是常数值，此时就不必建立GARCH模型。故在建模前应对收益率的残差序列εt进行ARCH检验，考察其是否存在条件异方差，收益序列残差ARCH检验结果如表3。可以发现，在滞后10阶时，ARCH检验的伴随概率小于显著性水平0.05，拒绝原假设，残差序列存在条件异方差。在条件异方差的理论中，滞后项太多的情况下，适宜采用GARCH（1,1）模型替代ARCH模型，这也说明了使用GARCH（1,1）模型的合理性。
表3日收益率残差ARCH检验结果
第六步：估计GARCH模型参数，并检验
建立GARCH（1,1）模型，并得到参数估计和检验结果如表4。其中，RESID(-1)^2表示GARCH模型中的参数α，GARCH（-1）表示GARCH模型中的参数β，根据约束条件α+β<1，有RESID(-1)^2+GARCH（-1）=0.95083＜1，满足约束条件。同时模型中的AIC和SC值比较小，可以认为该模型较好地拟合了数据。
表4日收益率波动率的GARCH（1,1）模型的参数估计