『壹』 写论文的时候可以以一个具体公司的财务数据进行实证分析么
这个倒是可以的
不过最好是对不同公司的数据整合分析
『贰』 以一家公司为例近三年的收益分配分析
三年的收益分
『叁』 上市公司资产结构对公司绩效影响的实证分析
这个问题提的有点模糊，“公司绩效”这个概念不对。
根据我的理解你是关心下面的内容：
大了来说，资产等于负债加所有者权益，如果所有者权益过高，负债就低，那么财务杠杆的效用就发挥不出来，那么股东关注的净资产收益率就会受影响，还有很多财务指标也受影响，不一一列举。反之亦然。
小的来说，资产包括固定资产、流动资产，其比重大小就涉及到速动比率、流动比率、存货周转率等指标，这些都是股东或者投资者所关注的。
要做这个实证分析，我建议你去下同行业里两个营业收入差不多的上市公司年报，然后做财务对比分析，或者直接从搜狐财经、大智慧等财经网站查看相关财务指标。
如果感觉结果不够说服力，也可以做纵向对比，拿同一家上市公司不同年份的数据做对比，具体数据来源和上面方法差不多。
希望可以帮到你！
『肆』 实证结果分析与讨论
4.4.3.1 WTI和市场收益率的统计特征
令WTI和Brent市场第t日的石油价格分别为P1,t和P2,t，则WTI和Brent市场第t日的对数收益率分别为Y1,t=ln（P1,t/P1,t-1）和Y2,t=ln（P2,t/P2,t-1），从而各得到4943个收益率样本。图4.20是两个市场所有样本收益率的走势图，不难发现，两个收益率序列均存在明显的波动集聚性。
图4.20 WTI和Brent市场原油现货收益率走势
WTI和Brent两个市场样本内收益率的基本统计特征如表4.17所示。总体而言，两个市场的收益率的平均水平和波动水平都非常接近，这也可以从图4.20上得到印证。同时，与标准正态分布的偏度为0、峰度为3相比，本节两个市场收益率的偏度为负（即呈现左偏现象），峰度远大于3，因此它们均具有尖峰厚尾的特征，而且从JB检验的结果也能看到收益率序列显著不服从正态分布。而对收益率序列进行自相关性LB 检验时，根据样本容量，选择滞后阶数为
表4.17 WTI和Brent市场收益率的基本统计特征
4.4.3.2 WTI和Brent市场收益率的GARCH模型估计
（1）WTI市场收益率的GARCH模型估计
为了滤掉收益率序列的自相关性，本节引入ARMA模型对收益率序列建模。根据自相关和偏自相关函数的截尾情况，并按照AIC值最小原则，经过多次尝试，发现ARMA（1,1）模型比较合适。对ARMA（1,1）模型的残差序列进行自相关性Ljung-Box检验，从自相关分析图上看到，残差序列的自相关系数都落入了随机区间，自相关系数的绝对值都小于0.1，与0没有明显差异，表明该残差序列是纯随机的，换言之，ARMA（1,1）模型很好地拟合了原有收益率序列。
鉴于WTI市场收益率序列存在明显的波动集聚性，因此，本节对ARMA（1,1）模型的残差进行ARCH效应检验，结果发现存在高阶ARCH效应，因此考虑采用GARCH模型。由于收益率序列存在厚尾现象，因此本节在GARCH 模型中引入GED 分布来描述模型的残差。根据AIC 值最小的原则以及模型系数要显著和不能为负的要求，通过比较GARCH（1,1）,GARCH（1,2），GARCH（2,1）和GARCH（2,2）模型，本节选择GARCH（1,1）模型来拟合原有收益率序列。
为了进一步研究WTI收益率序列的波动特征，本节检验了TGARCH（1,1）和GARCH-M（1,1）模型。结果发现，收益率序列存在显著的TGARCH效应和GARCH-M 效应，即收益率的波动不但具有显著的不对称特征，而且还受到预期风险的显著影响。考虑到模型的AIC值要最小，以及为了描述收益率波动的不对称性，本节选择TGARCH（1,1）模型对WTI市场收益率的波动集聚性建模，模型形式如式4.16。另外，我们看到模型的GED分布参数为1.260823，小于2，从而验证了该收益率序列的尾部比正态分布要厚的特征，也为本节接下来进一步准确计算WTI市场的风险铺垫了良好的基础。
WTI市场收益率的TGARCH（1,1）模型为
国外油气与矿产资源利用风险评价与决策支持技术
式中：ε1,t-1﹤0,d1,t-1=1；否则，d1,t-1=0;
Log likelihood=11474.52,AIC=-4.898557,GED参数＝1.260823
从模型的方差方程看到，油价收益率下跌时，
（2）Brent市场收益率的GARCH模型估计
基于Brent市场收益率的波动特征，按照与WTI市场GARCH 模型类似的建模思路，建立了MA（1）模型。而利用ARCH-LM检验方法发现模型的残差存在显著的高阶ARCH效应，因此采用基于GED分布的GARCH模型。比较GARCH（1,1）,GARCH（1,2）,GARCH（2,1）和GARCH（2,2）模型的AIC值，以及有关系数的显著性，发现选择GARCH（1,1）模型是最合适的，具体形式如（式4.17）。进一步，对收益率序列建立TGARCH（1,1）模型和GARCH-M（1,1）模型，结果表明，有关系数并不显著，因此说明Brent市场收益率的波动并不存在显著的不对称杠杆效应，也不存在显著的GARCH-M效应。而且，我们也发现GED分布的参数小于2，因此验证了Brent市场收益率同样具有厚尾特征。
Brent市场收益率的GARCH（1,1）模型为
国外油气与矿产资源利用风险评价与决策支持技术
Log likelihood=11697.19,AIC=-4.993462,GED参数＝1.324630
在模型的方差方程中，h2,t-1前的系数为0.912673，表示当前方差冲击的91.2673%在下一期仍然存在。可见，与WTI市场类似，Brent市场同样存在波动冲击衰减速度较慢的现象。检验模型的残差，发现其自相关函数都在随机区间内，取阶数为68时，标准残差的Q统计量的显著性概率大于50%，而Q2统计量的显著性概率大于20%，因此经GARCH（1,1）建模后的序列不再存在自相关现象和波动集聚性。另外，残差的ARCH-LM检验结果也表明，它不再存在波动集聚性，因此GARCH（1,1）模型对Brent市场收益率序列的拟合效果也较好。
图4.21给出了两个市场的条件异方差的走势，分别代表着它们的波动水平。从图中看到，一方面，两个市场收益率的波动水平基本相当，只是在某些区间WTI市场的波动会更大一些。当然，在海湾战争期间，Brent市场的波动程度相比而言更剧烈一点；另一方面，两个市场都存在一个明显的现象，那就是在波动比较剧烈的时期，其条件方差最高可达一般水平的20倍以上，这种波动的大规模震荡不但说明了国际石油市场存在显著的极端风险，而且对于市场波动和风险的预测具有重要的现实意义。
图4.21 WTI和Brent市场的条件异方差比较
4.4.3.3 WTI和Brent市场收益率的VaR模型估计和检验
正如前文所述，石油市场需要同时度量收益率下跌和上涨的风险，从而为石油生产者和采购者提供决策支持。为此，本节将采用上述基于GED分布的TGARCH（1,1）模型和GARCH（1,1）模型，按照方差－协方差方法来分别度量WTI和Brent市场在收益率上涨和下跌时的VaR 风险值。
（1）GED分布的分位数确定
根据GED分布的概率密度函数，使用MATLAB编程，经过多次数值测算，求出GED分布在本节所得自由度下的分位数，如表4.18所示。表中结果显示，95%的分位数与正态分布的1.645基本相同；但99%的分位数却明显大于正态分布的2.326，这也表明了国际油价收益率具有严重的厚尾特征。
表4.18 WTI和Brent市场收益率的GED分布参数及分位数
（2）基于GED-GARCH模型的VaR风险值计算
根据VaR风险的定义，我们得到以下两个计算VaR风险的公式。其中上涨风险的VaR值计算公式为
国外油气与矿产资源利用风险评价与决策支持技术
式中；zm,α﹥0，表示第m个市场中（T）GARCH（1,1）模型的残差所服从的GED分布的分位数；hm,t为第m个市场的收益率的异方差。
同理，得到下跌风险的VaR值计算公式为
国外油气与矿产资源利用风险评价与决策支持技术
根据上述两个VaR风险计算公式，本节计算了在95%和99%的置信度下，WTI和Brent市场的上涨风险和下跌风险（表4.19，表4.20）。
表4.19 WTI市场收益率的VaR计算结果
表4.20 Brent市场收益率的VaR计算结果
从表4.19和表4.20的实证结果看到，第一，除95%的置信度下市场收益率上涨风险的LR值略大于临界值外，其他所有LR统计量的值均小于相应的临界值，因此按照Kupiec的返回检验方法，可以认为基于GED分布的TGARCH模型和GARCH模型基本上能够充分估计出两个市场收益率的VaR风险值。从市场收益率与VaR风险值的走势也可以看到这一点（图4.22）。第二，在99%的置信度下，两个市场的VaR 模型对收益率的上涨风险比对收益率的下跌风险的估计精度都更高，这可能是由于收益率分布的左尾比较长，GED分布尚未完全捕捉到所有的厚尾现象。而在95%的置信度下，对下跌风险的估计精度更高。第三，从VaR的均值来看，在相同的置信度下，不管收益率是上涨还是下跌，WTI市场的VaR值都要比Brent市场对应的VaR 风险值大，因此需要更多的风险准备金。当然，从图4.23的VaR 风险走势可以发现，事实上，两个市场的VaR风险基本上相差不大，只是在某些样本区间内，WTI市场的风险会超过Brent市场。
图4.22 99%的置信度下Brent市场的收益率及其VaR风险值
图4.23 99%的置信度下WTI和Brent市场收益率上涨和下跌时的VaR风险值
（3）VaR模型比较
在采用GARCH模型计算市场收益率的VaR 风险值时，一般都假设模型的残差服从正态分布，从而直接令zm,α等于标准正态分布的分位数。但实际上，石油市场的收益率及其模型残差一般都是非正态分布的，因此得到的VaR 模型往往不够充分。为此，本节以99%的置信度为例，建立了基于正态分布分位数的VaR 模型，计算结果如表4.21所示，并与表4.19和表4.20中VaR模型的有关结果进行比较。
表4.21 基于正态分布分位数的VaR模型计算结果
结果表明，从VaR均值上看，基于正态分布的VaR模型在两个市场、两个方向（即上涨和下跌）上计算得到的VaR风险值均比基于GED分布的VaR 模型的相应结果要靠近零点，这从模型失效次数的比较上也能得到验证。再者，由于表4.21中的失效次数均超过了99%的置信度下临界处的失效次数（约为47），因此此时的计算结果低估了市场的实际风险。
而按照Kupiec的返回检验方法，可看出与99%置信度下的临界值6.64相比，不管是WTI市场还是Brent市场，不管是上涨还是下跌方向，采用基于正态分布分位数的VaR模型计算市场风险基本上都不够合理。其中，尽管WTI市场的上涨风险计算结果基本上可以接受，但与表4.19中对应的LR值相比，发现后者更加充分而准确。因此，总体而言，采用基于GED分布的VaR模型要比基于正态分布的VaR模型更充分而合适，得到的结果更可取。
当然，在95%的置信度下，基于正态分布和GED分布的VaR模型的LR值几乎一样，都是比较充分的。这是由于它们的分位数几乎是一样的，均为1.645左右。
另外，本节通过计算还发现，如果在建立GARCH模型时假设残差服从正态分布，而计算VaR时又选择一般所采用的正态分布分位数，则得到的VaR模型不管是哪个市场、哪个方向的风险都将很不充分，而先前很多研究往往就是这么做的。
（4）VaR模型的预测能力
从上述分析中可以看到，基于GED-GARCH的VaR模型能够较好地估计和预测样本内数据。为了更加全面检验这种VaR模型的预测能力，接下来本节以95%的置信度为例，采用它来预测样本外数据的VaR风险值，并与样本外的实际收益率数据进行比较。结果发现，在WTI和Brent市场上，落在预测得到的正向VaR和负向VaR之间的实际收益率占整个样本外预测区间所有收益率的比例均为95.76%，接近95%；相应的LR值为0.3409，小于95%置信度下的临界值3.84，因此是可以接受的（图4.24，图4.25）。换言之，根据样本内数据建立的VaR 模型用于预测样本外数据的VaR风险时，其预测能力是可以接受的。另外，为了比较，本节也采用了广受好评的H SAF方法建立模型，并预测了样本外数据的VaR风险，但检验却发现其在此处的预测结果并不理想。因为不管是WTI市场还是Brent市场，落在预测得到的正向VaR和负向VaR之间的收益率占整个预测区间所有收益率的比例均为91.92%，离95%较远；相应的LR统计量为4.40，大于临界值，因此应该拒绝原假设，即认为在此处采用HSAF方法预测市场VaR风险并不妥当。
图4.24 95%的置信度下WTI市场的样本外实际收益率与预测VaR值
图4.25 95%的置信度下Brent市场的样本外实际收益率与预测VaR值
4.4.3.4 WTI与Brent市场风险溢出效应检验
得到WTI和Brent两个市场的收益率上涨和下跌时的VaR风险值之后，本节根据Hong（2003）提出的风险－Granger因果检验方法，构造相应的统计量Q1（M）和Q2（M），并通过MATLAB编程求出统计量的值及其显著性概率，从而检验两个石油市场之间的单向和双向风险溢出效应。计算结果如表4.22所示，其中M分别取10,20和30。
表4.22 WTI与Brent市场风险溢出效应检验结果
从表4.22看到，一方面，在95%和99%的置信度下，不管是上涨风险还是下跌风险，WTI和Brent市场都具有显著的双向Granger因果关系，即两个石油市场之间存在强烈的风险溢出效应；另一方面，为了进一步确定风险溢出的方向，我们从利用单向风险－Granger因果检验的统计量Q1（M）计算得到的结果看到，不管置信度是95%还是99%，不管是上涨风险还是下跌风险，都存在从WTI到Brent市场的风险溢出效应。而若Brent到WTI市场的风险溢出情况稍微复杂，在95%的置信度下，只存在收益率下跌方向的风险溢出，而收益率上涨时并不存在；在99%的置信度下，情况则相反，只存在收益率上涨方向的风险溢出，而不存在下跌方向的风险溢出效应。前者可能是由于95%的置信度下收益率上涨方向的VaR 模型不够充分导致，而99%的置信度下VaR模型是非常充分的，因此后者更为可信。换言之，可以认为在99%的置信度下，不存在从Brent市场到WTI市场的风险溢出效应。
这表示，当市场出现利空消息从而导致油价收益率下跌时，WTI市场的风险状况有助于预测Brent市场的风险，而反之不然。当市场出现利好消息从而导致油价收益率上涨时，两个市场的风险的历史信息均有助于预测彼此未来的市场风险。这对有关政府和企业的科学决策具有一定的借鉴意义。
『伍』 上市公司利润操纵的相关实证以及对它们的分析
利用会计报表识别上市公司利润操纵 傅继波 （一） 利润操纵可以定义为公司管理层违反一般会计准则人为调节利润的行为。证券市场上的广大投资者主要是通过上市公司披露的会计信息来评价公司经营状况和发展潜力，并决定其资金投向的。如果上市公司的会计信息失真，特别是经过利润操纵行为后的会计报表信息，投资者据以推测、判断公司未来业绩的水平，将变得毫无意义，投资者的利益必将受到侵害。更为严重的是，错误的信息将导致资金非合理的流动，使证券市场丧失了有效配置资源的功能。因此有效识别上市公司的利润操纵行为，无论是对广大投资者、注册会计师，还是市场监管者，都有重要的意义。 上市公司利润操纵的手法很多，往往又比较隐蔽，不了解公司实际情况的外部人员很难发现，这就是证券市场上的信息不对称。上市公司的会计报表是广大投资者可以直接以较低成本获取的公开信息。所以如何从公司的会计信息来辨别公司的利润操纵行为，就有十分重要的现实意义。 （二） 为了识别公司的利润操纵行为，我们可以将会计报表提供的信息分成两类：第一类反映公司操纵利润的倾向。实证研究表明，具有某些特征的公司容易发生利润操纵行为。例如增长较快而规模较小的公司为了保证较高的增长率以维持其股价，往往会发生利润操纵行为；同样的情况也存在于那些前景堪忧的公司中。第二类信息是会计报表中与现金流有关的科目和各类应计科目。上市公司常常是通过虚增收入、虚计存货、虚减成本等手段操纵利润，任何利润操纵行为必然会影响到会计报表的某些科目。这样，就为利用会计报表来识别公司的利润操纵行为提供了可能。综合两类信息，我们可以重点考虑以下几个指标： 1、应收帐款周转率指标。该指标等于第t年与第t－1年应收帐款周转率之比，反映了连续两年应收帐款和销售收入之间是否保持相对的稳定。应收帐款周转率的大幅下降，可能是因为公司为应付激烈的竞争而改变公司销售信用政策来扩大销售，也可能是公司通过虚增应收帐款增加收入。无论是哪种情况，公司操纵利润的可能性增大。 2、毛利率指标。该指标等于第t年与第t－1年毛利率之比。如果该指标小于1，说明公司的盈利能力下降，这是公司前景不妙的一个信号。因为前景不好的公司容易发生利润操纵，所以该指标和利润操纵的可能性呈负相关，即指标越小于1，公司利润操纵的可能性越大。 3、资产质量指标。资产质量是指资产给公司带来利润的能力，公司帐面上的有些资产能否为公司盈利并不确定，如无形资产、待摊费用等，所以往往用这些盈利能力不确定的资产占总资产的比例作为衡量资产质量的指标。如果公司将应该摊入本期的费用资本化，或推迟确认费用，以达到提高利润的目的，那么资产的质量就会下降。因此我们可以通过比较公司连续两年的资产质量，来分析公司操纵利润的可能性。 4、销售额增长指标。该指标等于第t年与第t－1年的销售额之比，反映了公司的成长性。销售额的增长本身并不意味着利润操纵，但是成长型的公司较其他公司更容易发生利润操纵，因为这类公司的财务状况和对资本的需求给公司的管理层施加了巨大的压力，要求公司达到一定的利润。当公司的增长率达不到市场的预期时，公司的股价会大幅下降，这使得这类公司有更强烈的动机操纵利润。 5、折旧率指标。该指标是第t年与第t－1年的折旧率之比，折旧率=本期折旧／（本期折旧＋固定资产净值）。折旧率指标小于1，说明公司折旧的速度下降了，可能是由于公司增加了固定资产的折旧年限或改变了折旧的方法以提高利润水平，所以公司利润操纵的可能性增大了。 6、费用率指标。该指标是第t年与第t－1年的费用率之比，费用率为公司销售费用、管理费用和财务费用之和占销售收入的比例。该指标大于1，说明公司的费用率上升，这是公司前景悲观的一个信号。所以该指标和公司利润操纵的可能性呈正相关。 7、资产负债率指标。该指标是第t年与第t－1年的资产负债率之比。一般来说，公司的资产负债率保持相对的稳定。所以如果两年间公司资产负债率发生较大的变化，就要考虑公司是否存在利用债务合同操纵利润的行为。 8、应计项目占总资产比例指标。应计项目的会计处理常带有一定的随意性，所以管理者往往通过这些科目进行利润操纵。如果应计项目占总资产的比例变化较大，公司就有利润操纵的嫌疑。我们可以用下面一个指标来反映应计项目占总资产的比重： （流动资产－货币资金－流动负债－一年内到期的长期负债－本期折旧与摊销）＋总资产 我们很容易从公司连续两年的会计报表中获取上述的指标。这些指标给我们分析上市公司的利润操纵提供了一个有益的参考。但是值得注意的是，其他非利润操纵因素也可能会导致上述指标的波动。因此，上面的分析只是给出了公司利润操纵的可能性，不能仅凭这些指标就断定公司有利润操纵的行为，还要综合考虑公司的实际情况。总而言之，我们不但可以从会计报表中获取上市公司的资产状况和经营成果的信息，还可以通过分析会计报表，对其本身的准确性和可靠性做出一定的判断。
满意请采纳
『陆』 最优投资组合的风险，收益实证分析怎么做高人帮帮忙~~~急求~~~
实证。。。按照你的要求好像不是把。。。。
首先找几个好点的股票（随专机也行，挑个7-8个）
然后把每个股票的历史属数据找出来（不用太长时间的1年就够了）
再算出每个股票的方差、收益率、协方差求出来，构造方差协方差矩阵
最好求解出两个方向向量，用你希望的收益率去构造有效组合就行了
只是思路具体你慢慢做吧
『柒』 我在看一些实证论文时发现，在对上市公司进行实证分析时经常要剔除金融行业，这是为什么
那要看看你说的论文才能知道了,
但是一般而言,金融行业尤其是银行业跟一般行业比较版起来却权是特殊,比如银行的收入很多来自表外业务,因此仅仅根据三大表来分析银行类上市公司,恐怕很难令人完全信服.
金融行业的财务报表要求和一般非金融企业的要求不一样。原因在于金融行业商业模式有别于其他行业，因此报表结构和主要会计项目也异于一般行业。因此一般不在一起比较分析。
『捌』 有公司金融实证分析类毕业论文题目推荐吗
你好，对格式与字数上有要求的。