本文關(guān)鍵詞：關(guān)于半?yún)?shù)神經(jīng)網(wǎng)絡(luò)GARCH模型族在中國股市的進(jìn)一步研究　出處：《重慶大學(xué)》2014年碩士論文　論文類型：學(xué)位論文

  更多相關(guān)文章： 波動率 神經(jīng)網(wǎng)絡(luò) 半?yún)?shù)模型 GARCH模型族 預(yù)測

【摘要】：在現(xiàn)代金融理論中,有兩個金融市場的基本活動，它們分別是風(fēng)險評估和資產(chǎn)定價，在對這兩個基本活動的實踐中我們都會遇到一個度量指標(biāo)，也就是我們經(jīng)常說的資產(chǎn)收益波動率。在投資組合的安排中，以及金融風(fēng)險管理的理論和實踐中，它是對資產(chǎn)收益不確定性的衡量，代表了資產(chǎn)的風(fēng)險狀況，因此能夠準(zhǔn)確的測量，乃至預(yù)測金融資產(chǎn)的波動率是金融市場研究的重要問題之一。 在對于資產(chǎn)波動率的測量方法的研究中，國內(nèi)外的專家學(xué)者，多年來已經(jīng)產(chǎn)生了大量的文獻(xiàn)著作，和實踐結(jié)果，并取得了顯著的研究成就。事實上，Engle于1982年首次提出的自回歸條件異方差理論（即ARCH模型）就如同里程碑一樣開啟了異方差模型的大門，這一模型方法便被廣而傳之，隨后的研究者們?yōu)榱诉M(jìn)一步刻畫金融資產(chǎn)收益率的觀測特性—包括：尖峰厚尾，聚集性，持續(xù)性等，，于是不斷對ARCH模型進(jìn)行拓展與改進(jìn)，相繼提出了GARCH、EGARCH、TGARCH、GJRGARCH、NAGARCH、APARCH等模型，其中最著名的莫過于Bollerslev在1986年提出的GARCH模型，即廣義自回歸條件異方差模型，它是對ARCH模型的一種最常見的推廣形式，以至于我們將之后提出EGARCH等模型，統(tǒng)稱為參數(shù)GARCH模型。可是，參數(shù)模型有其最大的弊端，也就是需要具體參數(shù)形式以及各種條件假設(shè)，因此也就造成了模型的局限性。研究者們?yōu)榱送黄七@些假設(shè)限制，于是提出了另一類新的方法，即非參數(shù)GARCH模型。但是，研究者們同時也發(fā)現(xiàn)，非參數(shù)方法雖然避免了假設(shè)限制，卻也存在其自身的諸多缺陷，例如，過度依賴大樣本數(shù)據(jù)，維數(shù)災(zāi)，以及缺乏解釋性等問題。因此在近幾年的研究中，許多研究者嘗試使用半?yún)?shù)GARCH模型來測量金融資產(chǎn)的波動率，這類模型不僅擁有非參數(shù)模型較好的擬合和預(yù)測能力，同時兼具傳統(tǒng)參數(shù)模型的解釋能力，可以較好測量金融資產(chǎn)的波動率變化。 通常，半?yún)?shù)GARCH模型是由GARCH模型和另一種非參數(shù)方法雜交而成，例如：小波分析、局部多項式回歸，Copula函數(shù)等，而本文對于中國股市的波動率研究正是基于神經(jīng)網(wǎng)絡(luò)算法和GARCH類模型族混合的半?yún)?shù)方法。本文在已有模型的基礎(chǔ)上使用一種新的神經(jīng)網(wǎng)絡(luò)算法與GARCH模型結(jié)合，并總結(jié)和對比了這一類半?yún)?shù)GARCH模型族與傳統(tǒng)參數(shù)GARCH模型族在中國市場上分析和預(yù)測能力的差別，且得到了較好的結(jié)果。
[Abstract]:In modern financial theory, there are two basic activities of financial market, they are risk assessment and asset pricing, and we will encounter a measurement index in the practice of these two basic activities. In the arrangement of investment portfolio, and in the theory and practice of financial risk management, it is a measure of uncertainty of asset return, representing the risk situation of assets. Therefore, accurate measurement and even prediction of volatility of financial assets is one of the important problems in financial market research. In the study of measurement methods of asset volatility, experts and scholars at home and abroad have produced a large number of literature, and practical results over the years, and have made significant research achievements. The autoregressive conditional heteroscedasticity theory (ARCH model), first proposed by Engle in 1982, opened the gate of heteroscedasticity model as a milestone, and this model method has been widely spread. In order to further depict the observational characteristics of the financial asset yield, including the peak and thick tail, aggregation, persistence and so on, the researchers continue to expand and improve the ARCH model. The models of GARCHN EGARCHN TGARCHN GJRGARCHN NAGARCHN APARCH and so on have been put forward one after another. The most famous one is the generalized autoregressive conditional heteroscedasticity model proposed by Bollerslev in 1986. It is the most common extension of the ARCH model, so we will later put forward the EGARCH and other models, collectively known as the parametric GARCH model. However, the parametric model has its biggest drawbacks. In other words, the specific parameter form and various conditional assumptions are needed, which leads to the limitation of the model. In order to break through these hypotheses, researchers have proposed another kind of new method. However, the researchers also found that although the non-parametric method avoids the hypothetical limitation, it also has its own defects, such as over-dependence on large sample data and dimensionality disaster. Therefore, in recent years, many researchers try to use semi-parametric GARCH model to measure the volatility of financial assets. This kind of model not only has the better ability of fitting and forecasting, but also has the interpretation ability of the traditional parametric model, which can measure the volatility of financial assets. Usually the semi-parametric GARCH model is a hybrid of GARCH model and another nonparametric method such as wavelet analysis local polynomial regression Copula function and so on. In this paper, the volatility of Chinese stock market is based on the hybrid semi-parametric method of neural network algorithm and GARCH class model family. This paper uses a new neural network algorithm and GA on the basis of existing models. RCH model combination. The differences between the semi-parametric GARCH model family and the traditional parametric GARCH model family in Chinese market are summarized and compared, and good results are obtained.
【學(xué)位授予單位】：重慶大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2014
【分類號】：F832.51;TP183

【共引文獻(xiàn)】

相關(guān)期刊論文 前10條

1 陳肯界;;小額信貸促進(jìn)農(nóng)戶增收效應(yīng)的地區(qū)差異分析[J];當(dāng)代經(jīng)濟(jì);2014年03期

2 尹玲;夏蕾;許才國;;基于隨機(jī)森林的女性體型判別[J];紡織學(xué)報;2014年05期

3 陳廷武;;基于方差分析的監(jiān)測網(wǎng)穩(wěn)定性假設(shè)檢驗方法[J];工程勘察;2014年04期

4 李飛翱;羅文強(qiáng);劉小珊;黃麗;;多元非平穩(wěn)時間序列分析的滑坡變形預(yù)測研究[J];長江科學(xué)院院報;2014年04期

5 張海波;黃洋洋;;基于隨機(jī)時間序列的數(shù)控機(jī)床伺服系統(tǒng)故障頻率預(yù)測[J];東北電力大學(xué)學(xué)報;2014年01期

6 劉惠蘭;周靜;朱華亮;徐光清;丁霞;張苗苗;;自動觀測與人工觀測能見度的差異性分析及檢驗[J];安徽農(nóng)業(yè)大學(xué)學(xué)報;2014年03期

7 王磊;謝樹果;蘇東林;王國玉;;基于時間序列分析的頻譜異常自主檢測和穩(wěn)健估計方法[J];電子學(xué)報;2014年06期

8 張佳進(jìn);陳立暢;陳克平;唐君君;;基于R語言的農(nóng)業(yè)試驗統(tǒng)計軟件的設(shè)計與實現(xiàn)[J];電子設(shè)計工程;2014年14期

9 歐祖軍;李洪毅;;R軟件在方程求根中的應(yīng)用[J];蘭州文理學(xué)院學(xué)報(自然科學(xué)版);2014年05期

10 吳歡;謝德悠;;基于集成預(yù)測模型的貴州省農(nóng)作物受災(zāi)面積預(yù)測[J];貴州大學(xué)學(xué)報(自然科學(xué)版);2014年04期

相關(guān)會議論文 前1條

1 孫涵亮;陸偉;朱雯卿;;互動電視收集用戶行為信息研究[A];中國新聞技術(shù)工作者聯(lián)合會第六次會員代表大會、2014年學(xué)術(shù)年會暨第七屆《王選新聞科學(xué)技術(shù)獎》和優(yōu)秀論文獎頒獎大會論文集（二等獎）[C];2014年

相關(guān)博士學(xué)位論文 前5條

1 王霞;馬尾松人工林近自然化改造初期效果分析研究[D];北京林業(yè)大學(xué);2013年

2 劉鑫;中國金融市場化過程中的貨幣需求、貨幣供給與貨幣政策[D];東北財經(jīng)大學(xué);2013年

3 王潔丹;人口死亡率水平的數(shù)量研究[D];廈門大學(xué);2014年

4 李秋碩;電動汽車接入電網(wǎng)的電能有序利用模型與控制策略研究[D];華北電力大學(xué);2014年

5 張克慧;支撐性資產(chǎn)內(nèi)部價值與定價研究[D];財政部財政科學(xué)研究所;2014年

相關(guān)碩士學(xué)位論文 前10條

1 金穎;Copula函數(shù)的穩(wěn)健性和不確定性分析[D];長安大學(xué);2013年

2 薛潔;關(guān)于GIS不確定性傳播問題的若干研究[D];長安大學(xué);2013年

3 朱明娟;基于關(guān)鍵利率期限結(jié)構(gòu)的利率風(fēng)險的度量[D];武漢理工大學(xué);2013年

4 雷特;基于LT公司銷售數(shù)據(jù)的需求預(yù)測與庫存控制[D];華中科技大學(xué);2013年

5 孟妍;滬深300股指期貨與滬深300ETF基金套期保值的實證研究[D];云南財經(jīng)大學(xué);2013年

6 孫俊;實力非對稱對博弈策略選擇的影響[D];云南財經(jīng)大學(xué);2013年

7 郭明明;基于ARIMA模型的我國旅游外匯收入狀況研究[D];華中科技大學(xué);2013年

8 張露;我國黃金價格的時序建模與相關(guān)性分析[D];華中科技大學(xué);2013年

9 張凱;基于蒙特卡羅模擬的最小二乘統(tǒng)計量性質(zhì)的研究[D];天津財經(jīng)大學(xué);2013年

10 臧亮亮;滬深股市收益率及其相關(guān)性的實證分析[D];天津財經(jīng)大學(xué);2013年

本文編號：1430624