2019级有效的无效金融市场 —天气因素对A股指数变动及收益的影响效应-清华五道口MBA

2019级有效的无效金融市场 —天气因素对A股指数变动及收益的影响效应

2020年08月26日

信息来源：

浏览次数：

打印

从左至右依次为：王震君、李文斌、毛鑫、王荣

本文为清华－康奈尔双学位金融MBA2019级“数据分析与创业决策”课程报告，作者是第十七小组：王震君、李文斌（组长）、毛鑫、王荣。授课教师：余剑峰。余教授现为清华大学五道口金融学院建树金融学讲席教授、清华大学金融科技研究院副院长、清华大学国家金融研究院资产管理研究中心主任。2014-2015年期间为清华大学五道口金融学院的访问教授。2011年起是美国联邦储蓄银行（达拉斯）的研究员。他主要从事行为金融和宏观金融的理论和实证研究，研究成果已经发表在多份学术刊物，例如，美国经济评论、金融期刊、金融经济期刊、货币经济期刊、管理科学和动态经济评论等。余教授获得中国科技大学概率统计学学士，耶鲁大学统计学硕士和宾夕法尼亚大学沃顿商学院的金融学博士。他的研究成果曾获得多项奖项，其中包括 Smith-Breeden一等奖。

有效的无效金融市场

—天气因素对A股指数变动及收益的影响效应

摘要：本文采用定性分析、定量回归分析和交易策略分析等方法，结合北京、上海和深圳三地从2014年至2019年间每日天气晴雨以及温度的变化，重点关注极端天气的情况下，A股市场中沪市与深市每日指数的变化对比，探究天气因素对股票市场的影响。分析表明，股票市场当日开盘指数与交易量与温度和晴雨等极端天气状况有一定相关性，且对不同城市投资者的情绪波动的影响具有差异，或存在因天气因素相关的深市与沪市之间的短期套利策略。

关键词：天气效应；季节性情绪紊乱；股票市场；行为金融；有效的无效市场

一、研究背景

传统金融理论研究多是基于有效市场假说，前提假设是投资者均是理性的，在完美的无摩擦经济理论的框架下，市场应与天气的变化、个人的情绪波动等噪音无相关性可言。在行为金融理论中，违反贝叶斯理性的投资心理和行为被称为“投资者情绪”，非理性投资者被称为“噪声交易者”。由于我国的股票市场较西方成熟市场而言，仍属于新兴的资本市场，中小个人投资者的占比较高，因而“投资者情绪”影响下的“噪声交易者”现象对我国的A股市场的影响会更为显著。

根据行为金融理论，认知过程、情绪过程、意志过程等心理因素都会对投资者在投资判断和决策产生影响，交易者群体的影响又会对股票市场整体的交易产生作用，最终导致市场价格、开盘收盘指数的偏离。金融市场中常见的投资者情绪和行为偏差表现为过度自信、厌恶损失、厌恶后悔、处置效应、心理账户等等，导致这些心理因素的原因又存在多种可能，既可以是自然环境、社会、政治经济事件等环境性因素，也可以是与投资者个人相关的个性化因素。鉴于这些因素的复杂性、发散性，本文从最容易被投资者普遍感知的自然环境因素入手，运用行为金融学课程中分析方法，探讨天气因素与A股市场变化之间的关系。

相信我们每个人都会有这样的感受——在晴空万里之时，往往心情更加舒畅，而在阴雨连连之时，心里总会有很多惆怅的阴郁。基于上述的行为金融理论，这势必也会影响广大个人投资者对于股票投资的决策。本文根据2014年至2019年这五年之间每日天气变化的观测数据，与同期每日A股指数的变化进行对比，探索天气因素对股指的影响，寻求相应的套利策略。

在具体研究之中，考虑到A股指数变化主要是受到经济市场因素、行业重大政策与事件等等影响，天气影响在众多因素中偏弱，需要排除由于客观重大事件带来的噪音；另外我国地域幅员辽阔，各地天气差异较大，在众多天气数据中应该如何选择也对结果有着重要影响。

基于以上考虑，我们假设沪市与深市受到的市场与政策影响基本一致，尽量消除天气因素之外因素的噪音。进一步的，我们重点考察样本城市出现极端天气的情况下，沪深两市同一时间段下开盘与收盘指数的不同之处进行对比的方向策略。而在天气数据的选择方面，我们选取了北京、上海、深圳三地的天气数据作为重点样本，因为从2018年中国证券期货统计年鉴中可以看到，我国私募证券投资基金2017年共22446家，按照证券期货经营机构按监管辖区分布，其中北京4108家，上海4581家，深圳4377家，三地合计占全国总数量的58.2%；而公募基金管理公司方面，2017年共113家，按照公司办公地所在辖区划分，北京21家，上海49家，深圳26家，三地合计占全国总数量的85%，故而选取了市场交易投资者相对集中的北京、上海以及深圳三地的天气数据作为研究的基础。

二、文献回顾

基于已经发布的几篇有关天气与股票市场关系的研究文献，我们总结梳理了已有研究的主要结论以及研究方法的异同。

首先，这些研究的侧重点不同。韩泽县在《中国证券市场指数收益天气效应实证研究》中指出，中国的沪深两市存在较为明显的天气效应，主要体现在云量与指数收益成显著负相关。李家明和黄潇逸在《天气状况会影响股票市场日内波动吗？—基于上证指数不同波动率测度的研究》中则侧重研究天气对上证指数日内波动率的影响。陆静的《中国股票市场天气效应的实证研究》更加综合和全面，涵盖了不同天气指标对股票收益及日间交易行为如换手率和波动率的影响。

其次，选取的天气指标不同。云层覆盖率是经常被选取的一个重要指标，许多研究和发现表明，日照充足时人们会感觉心情愉悦，对股票收益的预期更加乐观，对风险的承受能力有所加强，也更乐于购买股票。这是天气效应通过影响投资者情绪进而影响股票收益的一个主要体现。不利天气情况如降雨和降雪对股票收益的统计学影响并不显著。其他可能影响股票市场的天气因素包括气压、能见度、风量等。

虽然侧重点和研究方法不同，这些文献得出的结论是基本一致的，特别是在天气对于日间交易行为如换手率和波动率的影响方面。对于天气效应对股票收益的作用，《中国股票市场天气效应的实证研究》一文指出，天气效应对股票收益的作用并不明显，不同天气指标对市场收益率要么没有影响要么影响不显著。

另外一个需要注意的是，很多外文文献是以做市商市场为主要研究对象，如《Weather and intraday patterns in stock returns and trading activity》，主要针对发达的资本市场，不同于我国以指令驱动的交易系统。

区别于已有文献，本文以以中国A股沪深两市为研究对象，选取最近三年的天气数据（气温、风力、阴晴雨雪等）和股指收益率（涨跌幅）及交易行为数据（成交量、换手率等），通过回归分析，并基于行为金融学对投资者预测偏差的考量，希望得出对中国股市投资者有参考意义的结论和交易策略建议。

三、研究方法

基于已有文献研究以及人们的交易体验，天气因素对股票市场的涨跌、换手率、波动性等方面确实存在着一定程度的影响，为了更好的衡量这些影响并探索可能的交易机会，本文基于交易城市（北京、上海与深圳）近五年的天气统计数据、沪深两市指数近五年的数据以及近三年的开盘时段数据开展定性与定量实证分析。

（一）数据收集与处理

1.天气变量数据

根据“天气后报”网站（http://www.tianqihoubao.com/lishi/beijing/month/202005.html）提供的近五年历史数据，其数据来源为中国气象局气象数据中心。天气变量收集的主要字段为：最高气温、最低气温、天气、风向、风力等，本文将“天气”一项作为主要变量，并使用“风力”变量中较严重情形（风力大于六级）对天气变量进行赋值修正。为简化分析，本文仅考虑天气变量的影响，暂不考虑温度、风向等指标。数据处理标准如下：

赋值	天气情况	风力修正
0	晴	4级以下
1	晴~多云、多云、多云~晴、阴、阴~多云、阴~晴、霾~多云、霾~雾、雾~晴、霾~晴、多云~霾、晴~霾、多云~雾、雾	5级以下
2	阴~小雨、云~小雨、小雨~阴、小雨、多云~阵雨、雷阵雨~多云、雷阵雨~小雨、雷阵雨~阵雨、阵雨、阵雨~多云、阵雨~阴、雷阵雨、多云~雷阵雨、小雨~晴、晴~小雨、雷雨~晴、阴~雷阵雨、霾~小雨、小雪、雾~小雨、霾~雨夹雪、小雪~阴、晴~阵雨、小雪~多云、雾~雨夹雪、浮尘~扬沙	5级以下
3	中雨~多云、阵雨、大雨~小雨、阵雨~阴、小雨~中雨、中雨~小雨、大雨~阴、阵雨~中雨、中雨~大雨、雷雨~中雨、中雨、阴~中雨、中雨~阴、雨夹雪、大雨、阵雨~大雨、中雨~阵雨、雷阵雨~中雨、大雨~中雨、小雨~大雨、雷阵雨~中到大雨、雷阵雨~、中雨~中到大雨、中到大雨~大雨、小雨~暴雨、大雨~小到中雨、大雨~雷阵雨、阴~大雨、雷阵雨~暴雨	5级以下
4	暴雨~大雨、大雨~暴雨、暴雨~小雨、暴雨、中雪、中雨~暴雨、暴雨~雷阵雨、暴雪~阴、阵雨~大到暴雨、暴雨~中雨、大到暴雨、大暴雨、大到暴雨~大雨、雷阵雨~大暴雨、中到大雨~大到暴雨、雷阵雨~暴雨、大暴雨~大雨	6级以下
5	特大暴雨、大暴雨、大到暴雨	7级以上

综合天气指数：按照上表对京沪深三地的天气进行赋值后，对三市的赋值结果进行简化算术平均，得出每日天气指数。为便于定性分析，进一步将天数指数数值划分为低云量（低于1.5）、中云量（1.5-2.6）与高云量（大于2.6）三挡，分别对应交易日557天、561天与101天。

2.沪深股市变量数据

从wind金融终端获取2015年4月30日至2020年4月30日的市场指数数据，包括开盘、最高、最低、收盘、涨跌、涨跌幅[%]、成交量[万股]、成交额、换手率、STD标准差（20日）等字段。为了进一步考虑天气对交易时段的影响，从wind获取2017年5月8日至2020年4月30日的每日四时段（开盘、上午、下午及收盘）指数数据，包括开盘价、最高价、最低价、收盘价、涨跌、涨跌幅等字段。

除Wind 已提供的指数涨跌幅（较上日）、换手率、20日平均标准差等指标，进一步计算日内指数波动幅度指标，即：（最高价-最低价）/日内平均价。

（二）分析天气指标与沪深两市涨跌趋势的影响

1.结合三档天气下两市涨跌情况定性统计来看，天气因素对股市涨跌方向的影响并不显著。甚至在高云量天气时，沪深两市上涨情形反而高于下跌情形。这背后很可能是由于其他因素以及季节性因素影响力更大所导致。

天气分档	涨跌	沪市	深市	沪市	深市
低云量 557天	跌	249	260	44.70%	46.68%
	涨	308	297	55.30%	53.32%
中云量 563天	跌	282	281	50.09%	49.91%
	涨	281	282	49.91%	50.09%
高云量 101天	跌	42	36	41.58%	35.64%
	涨	59	65	58.42%	64.36%

2.从三档天气对两市涨跌幅度（包括较前日涨跌幅、当日内波动幅度）定性统计来看，天气因素对股市涨跌幅存在一定影响。在沪市，高云量天气下指数较上日平均跌幅显著大于一般天气，存在一定天气效应；但是在深市，该效应不显著，可能原因为深市更习惯于高云量天气（深圳的高云量天气比例远高于京、沪），对天气因素不敏感。

在日内指数波动幅度方面，沪市与深市均在高云量天气下呈现更大的波动幅度，即高云量天气时，沪市深市的当日波动幅度比一般天气时波动更大。这可能与高云量天气时交易人员情绪波动性更大有关。

天气分档	沪市		深市
	涨跌幅[%]	日内指数波动幅度	涨跌幅[%]	日内指数波动幅度
低云量	-0.0382	1.51%	-0.0250	1.87%
中云量	-0.0088	1.55%	0.0245	1.88%
高云量	-0.0500	1.84%	-0.0184	1.93%

基于天气单一因素的回归分析结果也显示，天气指数与市场当日波动幅度之间存在一定的正相关性。其中沪市日波动幅度与天气指数的相关系数为 0.067，略高于深市的相关系数0.03。但是该回归结果的R Square系数较低(低于1%），说明该相关性非常微弱。

（三）分析天气指标与沪深两市换手率的影响。

通过对三档天气因素的定性分析，平均换手率指标受到天气指数的显著影响。平均来说，高云量天气时人们倾向于更高的换手率；而晴朗天气时交易的平均换手率则相对较低。

天气分档	沪市换手率	沪市换手率
低云量	1.878811311	2.535347935
中云量	2.108859147	2.704383126
高云量	2.417682178	2.81630495

从天气指数与换手率的关系执行进一步的回归分析显示，二者的相关性系数沪市为0.05，深市为0.03。但是回归方程的R Square系数较低(低于1%），说明该相关性也非常微弱。

（四）分析天气指标与沪深两市短期波动率的影响

通过对三档天气因素定性分析，市场波动率指标也受到天气指数的显著影响。平均来说，高云量天气时市场的波动率（20日均）更高；而晴朗天气时交易的波动率则相对较低。

天气分档	沪市平均波动率（20日）	深市平均波动率（20日）
低云量	1.222	1.553
中云量	1.261	1.580
高云量	1.383	1.690

从天气指数与波动率的关系执行进一步的回归分析显示，二者的相关性系数沪市为0.058，深市为0.045。但是回归方程的R Square系数较低(低于1%），说明该相关性也非常微弱。

（五）开盘时段的交易表现分析

已有文献分析指出天气因素对投资者情绪影响主要集中在早上开盘时期，随着交易进行以及其他因素影响，天气因素的影响逐步消失。对2017年5月8日至2020年4月20日的开盘与当日交易涨跌幅差异进行实证分析，显示天气因素投资者情绪的冲击主要发生在开盘阶段。在高云量天气下，市场开盘阶段会受到较大负面冲击，更容易出现开盘下跌、收盘上涨的情形，从而出现套利机会。但是，该效应在一般天气时非常微弱甚至为负数。

行标签	沪市当日涨幅与开盘涨幅之差（均值）	深市当日涨幅与开盘涨幅之差（均值）
低云量	-0.02212064	-0.02072064
中云量	0.006731548	0.01930506
高云量	0.046644898	0.114846939

对天气指数和全日涨幅与开盘涨幅差的关系执行进一步的回归分析显示，二者的相关性系数沪市为0.004，深市为0.005。回归方程的R Square系数非常低(低于1%），说明该相关性也非常微弱。

（六）天气因素对沪深两市表现异步性的影响分析

通常情况下沪深两市之间的变动方向基本上为同方向变动。但是定性分析揭示天气因素也会导致二者出现一定的的套利机会。

基于2017年5月8日起至2020年4月30日的开盘数据，沪市涨（跌）幅平均低于深市-0.067%，但是在高云量天气下该幅度会被进一步拉大到-0.11%。而且从两市的涨跌方向上看，高云量天气更容易导致出沪市与深市涨跌方向的异步，使得“沪跌深涨”的交易日更多出现。

天气分档	沪深变动方向	涨跌方向差异交易日	平均值项:涨跌幅差异
低云量	沪跌深涨	36	-0.4681%
	同向变动	285	-0.0590%
	沪涨深跌	23	0.4652%
	平均	344	-0.0668%
中云量	沪跌深涨	45	-0.4047%
	同向变动	269	-0.0407%
	沪涨深跌	22	0.3786%
	平均	336	-0.0620%
高云量	沪跌深涨	9	-0.3400%
	同向变动	38	-0.0771%
	沪涨深跌	2	0.2950%
	平均	49	-0.1102%
总计		729	-0.0675%

（七）上海与深圳两地之间天气差异对沪深两市表现的异步性

进一步分析沪深两座城市天气差异的影响，对上海的天气指数与深圳的天气指数之差进行分析，对于沪市与深市的平均涨（跌）幅的差幅（沪市平均低于深市-0.067%）而言：

（1）当上海天气远好于深圳（二者天气指数差距为3以上）时，该差幅收缩、甚至反转为正，分别为0.2500%和0.0888%。意味着高云量天气对深市开盘的冲击更大，从而存在深市被低估的套利机会。

（2）当上海天气与深圳天气之间的差异程度不显著（二者天气指数差距为2以内）时，该差幅多数情况进一步变大，意味着中等云量天气对沪深两市开盘没有太大敏感性，套利机会并不显著。

（3）当上海天气明显差于深圳天气（二者天气指数差距为2和3）时，高云量天气对沪市开盘冲击更大，该差幅被进一步扩大到-0.0732%和-0.1350%，从而存在沪市场被低估的套利机会。

各种情形下，两地天气因素的差异均未导致两市在涨跌方向上的显著差异。

情景	行标签	涨跌方向差异交易日	平均值项:涨跌幅差异
①上海晴天深圳暴雨	同向变动	2	0.2500%
②上海天气远好于深圳	沪跌深涨	2	-0.1850%
②上海天气远好于深圳	同向变动	14	0.1279%
	小计	16	0.0888%
③上海天气好于深圳	沪跌深涨	13	-0.3238%
	同向变动	78	-0.0723%
	沪涨深跌	5	0.4060%
	小计	96	-0.0815%
④上海天气稍好于深圳	沪跌深涨	15	-0.5000%
	同向变动	152	-0.0913%
	沪涨深跌	13	0.4085%
	小计	180	-0.0892%
⑤上海与深圳天气一致	沪跌深涨	34	-0.4024%
	同向变动	185	-0.0471%
	沪涨深跌	15	0.5020%
	小计	234	-0.0635%
⑥上海天气稍差于深圳	沪跌深涨	22	-0.5073%
	同向变动	144	-0.0220%
	沪涨深跌	11	0.3473%
	小计	177	-0.0594%
⑦上海天气差于深圳	沪跌深涨	3	-0.2467%
	同向变动	16	-0.1125%
	沪涨深跌	3	0.3100%
	小计	22	-0.0732%
⑧上海天气远差于深圳	沪跌深涨	1	-0.4600%
⑧上海天气远差于深圳	同向变动	1	0.1900%
	小计	2	-0.1350%
	总计	729	-0.0675%

四、小结

通过本章的分析，可以初步得出天气因素对沪深股市变动的几个明显观察，对于下一步形成具体的交易策略具有一定启发意义。

第一、天气因素对沪深两市的涨跌影响力相对微弱，主要城市的天气状况、城市之间的天气差异因素对市场的涨跌方向没有决定性影响。也就是说天气因素仅属于短期因素，其影响力在短期内出现并在短期内被其他因素冲淡，对大盘的影响十分有限。

第二、天气因素对市场的影响效应主要体现在对市场的交易量、换手率、波动性等指标的影响方面。在高云量天气时其效应在定性分析层面比较显著，也即高云量天气更容易出现较高的换手率、更大的短期波动性。但是这一效应与天气指数的关系并不具备统计量化分析意义上的显著性。

第三、高云量天气对开盘时段的投资者情绪会产生一定的冲击，从而导致开盘时指数涨（跌）幅小于当日整体涨（跌）幅的效应，更大机会出现“低开高走”交易日的情形，从而产生一定套利机会，在不考虑交易费用即买卖限制的情况下可以在开盘时段逢低买入获利。但是这一效应在中低云量的一般天气情况下并不明显。

第四、在沪市两市涨跌幅的异步性前提下，高云量天气更容易导致“沪跌深涨”交易日的出现，并且沪市涨（跌）与深市涨（跌）的差幅被进一步拉大，从而导致出现沪市相对深市的低估套利机会。在一般天气（中低云量）情况下，两市的异步性并不显著，两市的涨跌方向上也不具备特定的规律。

第五、在沪市两市涨跌幅的异步性前提下，上海与深圳两地天气的显著差异也会带来套利机会。当深圳天气严重差于上海天气时，深市指数在开盘阶段因明显冲击，从而导致深市指数相比沪市出现短期低估，从而存在一定套利机会，但该套利机会在一般天气情况下并不存在，甚至还会导致策略亏损。反之，当上海天气严重差于深圳天气时，沪市也存在低估套利机会，但是该机会出现的交易日较少（地理因素导致上海天气总体上远好于深圳的天气）。

五、交易策略

恶劣或极端天气带给投资者的情绪波动进而影响市场情绪，带来潜在的套利交易机会。上证综指和深圳成指是中国股票市场最重要的两个指数，实证分析表明天气因素对市场指数确实存在一定影响。基于前述分析，以下极端恶劣天气中深圳天气明显更差于上海的114个交易日中，开盘涨跌方向情况：二者同向变动天数占82%，深市跌而沪市涨的天数占13%, 反之占4%。且开市涨幅沪市平均低于深市-0.067%，上海天气更恶化的24个交易日中，该幅度进一步拉大到-0.078%；在上海天气好于深圳的114交易日中，该幅度收窄到-0.051%。上海气候总体好于深圳，沪市对天气相对更不敏感。即使在上海天气出现最差极值的6个交易日中，其涨跌幅、开盘涨跌方向也没有本质性差异；在深圳天气最差极值（大于4）的26个交易日中，沪市与深市的涨跌幅度反转为0.08%，出现套利机会。总体上，在一般天气情况下，天气因素对沪深两市之间的涨跌幅差异不显著；两市之间天气的显著差异对开盘时涨跌方向没有绝对决定性影响。

鉴于此，我们给出如下A股交易策略：

1. 沪深好天气买入策略：如果当天沪深都是晴-阴-多云为主的好天气，则以不高于上一个交易日收盘价的开盘价买入股票池内有底仓的沪深300指数内涨幅最小的上海或深圳股票，并以当日收盘价卖出增持股票。

2.沪深坏天气买入出策略：如果当天沪深都是暴雨-大暴雨-特大暴雨为主的坏天气，则以不高于上一个交易日收盘价的开盘价买入股票池内有底仓的沪深300指数内跌幅最大的上海或深圳股票，并于三日内当地天气好转日卖出增持股票。

3.沪好深坏天气买入策略：如果当天上海是好天气，深圳是坏天气，则以不高于上一个交易日收盘价的开盘价买入股票池内有底仓的中证500指数内跌幅最大的深圳股票，并于三日内当地天气好转日卖出增持股票。

4.沪坏深好天气买入策略：如果当天上海是坏天气，深圳是好天气，则不交易。

最后将各样本交易日内的收益率以连续复利方式得到样本期的累计收益率均为正值。在2015年4月30日到2020年4月30日这5年交易时间里，由于深圳本地极端天气相比上海、北京更多更显著，在剔除市场风险的深圳极端天气日，我们还可以直接买入深圳股为代表的低开的IC500，这同样是一个不错的高收益低风险策略。这个策略也可以用于覆盖中证500下的多只深圳本地股，我们还可以买进那些基本面没有显著变化，而在开盘时由于天气恶劣低开的股票池内的深圳本地股，将是一个市场容量和流动性足够的盈利策略。

六、交易结论

天气原因影响投资者情绪和交易策略看起来似乎很难用理性思维理解，但正如余剑峰教授课堂强调指出：好的行为金融学理论不是只停留在发现这些造成反常金融现象的行为，而是要能提供一个理解这些行为的框架。在人类祖先漫长的繁衍过程中，宜人的气候环境相较恶劣的自然环境更容易外出生产作业获得食物，安居乐业从而繁衍后代。现代社会虽然已经不再看天吃饭，建筑质量也可以对抗雷雨暴雪飓风地震，但根深蒂固植入我们进化基因的对适宜生存的好天气和不适宜生存的坏天气的喜恶可以直接影响投资行为和金融资产定价。

正因为这个有趣的现象，金融市场在某种程度上具有无效性，这就给投资者提供了利用各种信息从市场中获利的机会，同时投资者的各种套利行为又提高了股票市场的效率。由于时间和样本的局限性，我们在本研究中没有进一步展开天气信息中的降水，四季温度和PM2.5指数等等。如果剔除市场风险对极端日天气可以预测股票短期收益率的影响，那么我们还可以把天气各指标再细分成对应的电力行业，煤炭行业，环保行业，运输行业，农林牧渔行业等，相信可以挖掘出更多的敏感性高、显著性强的交易策略。

二级市场短期波动如天气难以捉摸，四季的变化波动不足以撼动基于未来自由现金流的价值投资主流。我们相信，大道至简，长期投资仍然是回归基本面属性。

参考文献：
1. Yu Jianfeng & Yuan Yu (2011). Investor Sentiment and the Mean-Variance Relation. Journal of Financial Economics, 100 (2), 367-381.
2.《理性的非理性金融》，王健，余剑峰，中信出版社
3. 陆静，中国股票市场天气效应的实证研究，科技与经济，2011年第6期
4. 韩泽县，中国证券市场指数收益天气效应实证研究，北京航空航天大学学报( 社会科学版) ，2005年6月
5. 李家明，黄潇逸，天气状况会影响股票市场日内波动吗? —基于上证指数不同波动率测度的研究，西南财经大学中国金融研究中心，财讯
6. Shao-Chi Chang, Sheng-Syan Chen, Robin K. Chou, Yueh-Hsiang Lin, Weather and intraday patterns in stock returns and trading activity, Journal of Banking & Finance 32 (2008) 1754-1766
7. FMBA行为金融学课程笔记