### 使用Python实现有效市场假说(EMH)的检验 #### 数据准备 为了验证有效市场假说，通常会分析股票价格的时间序列数据。这些数据可以从多个金融API获取，比如Yahoo Finance, Alpha Vantage等。 ```python import yfinance as yf import pandas as pd ticker = 'AAPL' data = yf.download(ticker, start='2018-01-01', end='2023-01-01') returns = data['Adj Close'].pct_change().dropna() ``` #### 随机游走假设(RWH) 随机游走理论认为股价变化是不可预测的，因此可以通过自相关性来检测是否存在显著的相关模式。如果不存在，则支持RWH，这是弱形式EMH的一部分[^2]。 ```python from statsmodels.tsa.stattools import acf autocorrelation = acf(returns, nlags=20) print(f'Autocorrelations up to lag 20:\n{autocorrelation}') ``` #### 单位根检验（ADF Test） 单位根的存在意味着时间序列是非平稳的，而EMH下的市场价格应该是平稳过程。通过Augmented Dickey-Fuller (ADF) 测试可以帮助判断是否有单位根存在。 ```python from statsmodels.tsa.stattools import adfuller result = adfuller(returns) print('ADF Statistic:', result[0]) print('p-value:', result[1]) if result[1] < 0.05: print("Reject the null hypothesis of a unit root.") else: print("Fail to reject the null hypothesis of a unit root.") ``` #### 异常现象的研究 学术界指出，解释异常现象的能力是对多因子模型评估的关键标准之一。对于特定市场的某些反常情况，如节假日效应、月历效应等，也可以编写相应的程序来进行探索性数据分析。 ```python # 假设我们想要查看每个月的第一天收益率是否异常高 monthly_returns = returns.groupby([pd.Grouper(freq="M")]).first() mean_return = monthly_returns.mean() std_deviation = monthly_returns.std() z_scores = (monthly_returns - mean_return) / std_deviation abnormal_events = z_scores[z_scores.abs() > 2] print(abnormal_events.describe()) ``` 上述方法仅提供了一种基础框架用于初步探讨EMH的有效性。更深入的研究可能涉及更多复杂的统计工具和技术，以及对不同资产类别和地区市场的广泛考察。