發(fā)布時(shí)間：2020-11-14 20:21

　　 文章旨在研究GARCH類(lèi)模型與BP神經(jīng)網(wǎng)絡(luò)模型在波動(dòng)率預(yù)測(cè)中的相互影響關(guān)系。文中對(duì)三種GARCH類(lèi)基礎(chǔ)模型和七種神經(jīng)網(wǎng)絡(luò)組合模型的預(yù)測(cè)精度進(jìn)行了比較檢驗(yàn)。研究發(fā)現(xiàn):BP神經(jīng)網(wǎng)絡(luò)的引入能夠明顯提升GARCH類(lèi)模型的波動(dòng)率預(yù)測(cè)精度;GARCH類(lèi)模型越優(yōu)秀,其變量作為輸入值對(duì)神經(jīng)網(wǎng)絡(luò)組合模型的幫助越大;額外引入相似模型的變量會(huì)降低神經(jīng)網(wǎng)絡(luò)組合模型的表現(xiàn),除非新模型變量帶來(lái)的信息提升優(yōu)點(diǎn)覆蓋了其帶來(lái)的數(shù)據(jù)冗余缺點(diǎn)。
【部分圖文】：

在計(jì)算機(jī)技術(shù)的支持下，多層神經(jīng)網(wǎng)絡(luò)已經(jīng)得以實(shí)踐，由于其不僅可以擬合任意連續(xù)函數(shù)而且對(duì)數(shù)據(jù)和模型假設(shè)沒(méi)有諸多要求，因而廣受研究者的喜愛(ài)，被應(yīng)用于多個(gè)領(lǐng)域并具有很好的表現(xiàn)。本文引入的神經(jīng)網(wǎng)絡(luò)為常見(jiàn)的BP前饋神經(jīng)網(wǎng)絡(luò)，即利用反向傳播算法更新權(quán)重的全連接神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)見(jiàn)圖1，其中input1到inputn為n個(gè)輸入變量，bias為偏倚變量，output則為輸出變量。模型擬合得到的每一層輸入變量參數(shù)可以理解為相鄰兩層的空間變化方向，而每一層的偏倚變量參數(shù)則可以理解為在相鄰兩層的空間變化方向上的位移。BP-GARCH類(lèi)組合模型的特點(diǎn)是將GARCH類(lèi)模型預(yù)測(cè)出的模型變量作為BP神經(jīng)網(wǎng)絡(luò)的輸入變量，根據(jù)GARCH類(lèi)模型的表達(dá)式可以看出當(dāng)期波動(dòng)率平方(σt2)與前期殘差平方(at2-1)和前期波動(dòng)率平方(σt2-1)有較強(qiáng)的聯(lián)系，因此本文BP-GARCH類(lèi)組合模型的當(dāng)期輸入變量采用GARCH類(lèi)模型預(yù)測(cè)出的前期殘差平方和前期波動(dòng)率平方。本文將三種GARCH類(lèi)模型與BP前饋神經(jīng)網(wǎng)絡(luò)結(jié)合，具體可以構(gòu)建七種BP-GARCH類(lèi)組合模型，為了陳述方便，本文對(duì)七種BP-GARCH類(lèi)組合模型設(shè)置了如表1所示的簡(jiǎn)稱(chēng)。另外，表2對(duì)七種BP-GARCH類(lèi)組合模型在t期的輸入變量進(jìn)行了匯總。

本文上證綜指日度數(shù)據(jù)來(lái)源于WIND數(shù)據(jù)庫(kù)，數(shù)據(jù)跨度為2000年1月4日至2020年3月20日，共計(jì)4897條日度數(shù)據(jù)，通過(guò)計(jì)算可以得到4896條日對(duì)數(shù)收益率數(shù)據(jù)(文中收益率若無(wú)特別說(shuō)明，皆默認(rèn)為對(duì)數(shù)收益率)，數(shù)據(jù)涵蓋了21世紀(jì)的幾次重要金融危機(jī)，具有豐富性。表3對(duì)上證綜指及其收益率進(jìn)行了描述性統(tǒng)計(jì)，其中包含了正態(tài)性檢驗(yàn)和平穩(wěn)性檢驗(yàn)，根據(jù)ADF檢驗(yàn)結(jié)果可知上證綜指為非平穩(wěn)序列，而轉(zhuǎn)換后的上證綜指收益率為平穩(wěn)序列，結(jié)合偏度和峰度信息，進(jìn)一步可知上證綜指收益率具有尖峰后尾和左偏的分布特點(diǎn)，J-B檢驗(yàn)結(jié)果也拒絕了其具有正態(tài)分布的原假設(shè)，圖2(2)上證綜指收益率變化圖則反映出其還具有波動(dòng)率集聚的特點(diǎn)。為了進(jìn)一步驗(yàn)證GARCH類(lèi)模型對(duì)上證綜指收益率序列的適用性，本文還對(duì)均值方程的殘差進(jìn)行了ARCH效應(yīng)檢驗(yàn)。檢驗(yàn)原假設(shè)為殘差序列直到5階都不存在ARCH效應(yīng)，而本文ARCH-LM檢驗(yàn)的F統(tǒng)計(jì)量和LM統(tǒng)計(jì)量皆在1%的顯著性水平上拒絕了這一假設(shè)，說(shuō)明上證綜指收益率序列具有很強(qiáng)的ARCH效應(yīng)，進(jìn)而驗(yàn)證GARCH類(lèi)模型對(duì)上證綜指收益率序列是適用的。

通過(guò)觀察不同神經(jīng)元數(shù)量下七種模型的損失函數(shù)值可知，前文“BP神經(jīng)網(wǎng)絡(luò)的引入能夠有效提升波動(dòng)率的預(yù)測(cè)精度”和“GARCH類(lèi)基礎(chǔ)模型的表現(xiàn)越優(yōu)秀，其變量作為輸入值對(duì)神經(jīng)網(wǎng)絡(luò)組合模型的幫助越大”兩點(diǎn)結(jié)論對(duì)于神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)是穩(wěn)健的。而前文“在神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)不變時(shí)，額外引入相似模型的變量會(huì)降低神經(jīng)網(wǎng)絡(luò)組合模型的表現(xiàn)，除非新模型變量帶來(lái)的信息提升優(yōu)點(diǎn)覆蓋了其帶來(lái)的數(shù)據(jù)冗余缺點(diǎn)�！边@一結(jié)論可以被進(jìn)一步擴(kuò)展。根據(jù)圖3可知神經(jīng)元數(shù)量對(duì)組合模型的損失函數(shù)值影響非常小，并不能影響結(jié)論，例如BP-G-GM-GJR、BP-GM-GJR、BP-G-GJR等三種具有多個(gè)相似變量的組合模型在不同神經(jīng)元數(shù)量下依舊表現(xiàn)欠佳。說(shuō)明即使允許神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)在一定范圍內(nèi)變化，額外引入相似模型的變量依舊會(huì)降低神經(jīng)網(wǎng)絡(luò)組合模型的表現(xiàn)，除非新模型變量帶來(lái)的信息提升優(yōu)點(diǎn)覆蓋了其帶來(lái)的數(shù)據(jù)冗余缺點(diǎn)。
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 劉瑩瑩;胡波;伊麗娜;;基于上證綜指的波動(dòng)率模型比較研究與實(shí)證分析[J];中國(guó)管理信息化;2012年10期

2 陶愛(ài)元;金融時(shí)序的波動(dòng)率模型比較研究[J];統(tǒng)計(jì)與決策;2005年15期

3 徐梅,梅世強(qiáng),李菊棟;經(jīng)濟(jì)波動(dòng)隨機(jī)時(shí)間序列模型的比較研究[J];預(yù)測(cè);2001年06期

4 黃海南;鐘偉;;GARCH類(lèi)模型波動(dòng)率預(yù)測(cè)評(píng)價(jià)[J];中國(guó)管理科學(xué);2007年06期

5 康建林,朱開(kāi)永,周圣武,韓苗;GARCH模型在中國(guó)股票波動(dòng)預(yù)測(cè)中的應(yīng)用[J];贛南師范學(xué)院學(xué)報(bào);2005年03期

6 鄭挺國(guó);左浩苗;;基于極差的區(qū)制轉(zhuǎn)移隨機(jī)波動(dòng)率模型及其應(yīng)用[J];管理科學(xué)學(xué)報(bào);2013年09期

7 周杰;劉三陽(yáng);;條件自回歸極差模型與波動(dòng)率估計(jì)[J];數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究;2006年09期

8 蘇巖;楊振海;;GARCH(1,1)模型及其在匯率條件波動(dòng)預(yù)測(cè)中的應(yīng)用[J];數(shù)理統(tǒng)計(jì)與管理;2007年04期

9 張道宏;張璇;尹成果;;基于BP神經(jīng)網(wǎng)絡(luò)的個(gè)人信用評(píng)估模型[J];情報(bào)雜志;2006年03期

10 張小斐;田金方;;異質(zhì)金融市場(chǎng)驅(qū)動(dòng)的已實(shí)現(xiàn)波動(dòng)率計(jì)量模型[J];數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究;2011年09期

相關(guān)博士學(xué)位論文 前10條

1 劉玉芳;分形理論下金融市場(chǎng)波動(dòng)率模型及其應(yīng)用研究[D];華南理工大學(xué);2016年

2 張運(yùn)鵬;基于GARCH模型的金融市場(chǎng)風(fēng)險(xiǎn)研究[D];吉林大學(xué);2009年

3 歐陽(yáng)林寒;模型不確定下的穩(wěn)健參數(shù)設(shè)計(jì)研究[D];南京理工大學(xué);2016年

4 葛磊;帶跳隨機(jī)局部波動(dòng)率模型的校準(zhǔn)：一種Tikhonov正則化方法[D];蘇州大學(xué);2015年

5 周伊佳;帶有共享不確定參數(shù)的魯棒優(yōu)化模型[D];大連理工大學(xué);2017年

6 王穎;兩類(lèi)風(fēng)險(xiǎn)模型的破產(chǎn)問(wèn)題[D];中南大學(xué);2006年

7 徐猛;N人雪堆博弈模型的第三種策略引入及其影響探究[D];浙江大學(xué);2017年

8 邵紅梅;帶懲罰項(xiàng)的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法的收斂性[D];大連理工大學(xué);2006年

9 郭國(guó)強(qiáng);空間計(jì)量模型的理論和應(yīng)用研究[D];華中科技大學(xué);2013年

10 康慧燕;復(fù)雜網(wǎng)絡(luò)上帶有潛伏期的傳染病動(dòng)力學(xué)模型研究[D];上海大學(xué);2015年

相關(guān)碩士學(xué)位論文 前10條

1 樊蓉;基于中國(guó)金融市場(chǎng)的多元波動(dòng)率模型研究[D];南京農(nóng)業(yè)大學(xué);2009年

2 陳靜;高頻數(shù)據(jù)波動(dòng)率模型研究與實(shí)證[D];蘇州大學(xué);2019年

3 孔華強(qiáng);金融市場(chǎng)波動(dòng)率模型及實(shí)證研究[D];首都經(jīng)濟(jì)貿(mào)易大學(xué);2006年

4 焦鵬;基于模糊GARCH模型的中國(guó)股票市場(chǎng)波動(dòng)性研究[D];西南財(cái)經(jīng)大學(xué);2011年

5 何煦;權(quán)益資本成本估計(jì)模型的最優(yōu)選擇[D];西南財(cái)經(jīng)大學(xué);2008年

6 于倩倩;地理加權(quán)隨機(jī)前沿模型的研究與應(yīng)用[D];中央民族大學(xué);2011年

7 周彥;連續(xù)時(shí)間隨機(jī)波動(dòng)模型及其在中國(guó)股市的應(yīng)用[D];天津大學(xué);2006年

8 程?hào)|亞;多重延遲更新風(fēng)險(xiǎn)模型中的破產(chǎn)概率及局部破產(chǎn)概率[D];蘇州大學(xué);2005年

9 楊曉;含有協(xié)變量的混合隸屬度隨機(jī)塊模型的社區(qū)發(fā)現(xiàn)[D];浙江財(cái)經(jīng)大學(xué);2019年

10 史軻;基于BP網(wǎng)的不確定圖K近鄰查詢研究與實(shí)現(xiàn)[D];東北大學(xué);2015年

本文編號(hào)：2883913