本文選題：利率期限結(jié)構(gòu)　切入點(diǎn)：預(yù)測　出處：《北京化工大學(xué)學(xué)報(bào)(自然科學(xué)版)》2017年03期 　論文類型：期刊論文

【摘要】：以2011年1月至2016年7月的國債月度數(shù)據(jù)為樣本,研究了在利率期限結(jié)構(gòu)預(yù)測中,反向傳播神經(jīng)網(wǎng)絡(luò)(BPNN)、小波神經(jīng)網(wǎng)絡(luò)(WNN)、徑向基神經(jīng)網(wǎng)絡(luò)(RBFNN)和廣義回歸神經(jīng)網(wǎng)絡(luò)(GRNN)4種網(wǎng)絡(luò)中相關(guān)參數(shù)的設(shè)定對精度的影響,并對預(yù)測效果進(jìn)行實(shí)證比較。研究結(jié)果表明:廣義回歸神經(jīng)網(wǎng)絡(luò)預(yù)測效果較好,反向傳播神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果波動(dòng)性較小,小波神經(jīng)網(wǎng)絡(luò)和徑向基神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果波動(dòng)性較大。
[Abstract]:Based on the monthly data of Treasury bonds from January 2011 to July 2016, the paper studies the forecast of interest rate term structure. The influence on precision of the related parameters in four kinds of neural networks, such as BPNNN, WNNN, RBFNNN and GRNNN, respectively, is discussed in this paper. The results show that the generalized regression neural network has better prediction effect, the back propagation neural network has less volatility, and the wavelet neural network and radial basis function neural network have great volatility.
【作者單位】： 北京化工大學(xué)經(jīng)濟(jì)管理學(xué)院;對外經(jīng)濟(jì)貿(mào)易大學(xué)金融學(xué)院;
【基金】：國家自然科學(xué)基金(71631005) 教育部人文社會(huì)科學(xué)研究規(guī)劃基金(16YJA630078)
【分類號(hào)】：F812.5;F832.51;TP183

【相似文獻(xiàn)】

相關(guān)碩士學(xué)位論文 前1條

1 蘇利華;利率期限結(jié)構(gòu)與固定收益證券定價(jià)實(shí)證分析[D];上海交通大學(xué);2015年

，

本文編號(hào)：1566099