伴隨經(jīng)濟(jì)全球化的發(fā)展,各國股票市場極端風(fēng)險頻繁發(fā)生,產(chǎn)生極大的危害。因此,建立合理的股票市場極端風(fēng)險預(yù)警機(jī)制尤為重要,具有較高的現(xiàn)實意義。但股票市場是一個錯綜復(fù)雜的整體,受到多方面的影響,市場間常出現(xiàn)“異�！爆F(xiàn)象,其數(shù)據(jù)表現(xiàn)出復(fù)雜的非線性關(guān)系,這會對建立極端風(fēng)險預(yù)警模型造成不利影響。在這樣的背景下,人工智能方法得到了更多學(xué)者的青睞,其能夠較強(qiáng)的處理數(shù)據(jù)間的非線性問題。深度學(xué)習(xí)是人工智能領(lǐng)域中受到學(xué)者關(guān)注的一個領(lǐng)域,應(yīng)用十分廣泛。目前,國內(nèi)鮮有基于深度學(xué)習(xí)技術(shù)的股票市場極端風(fēng)險預(yù)警研究。本文將深度學(xué)習(xí)方法中深度全連接神經(jīng)網(wǎng)絡(luò)(DNN)、長短期記憶網(wǎng)絡(luò)(LSTM)引入股票市場極端風(fēng)險預(yù)警,建立穩(wěn)定、有效的模型,對我國股票市場極端風(fēng)險進(jìn)行預(yù)警。本文以滬深300市場作為研究對象,首先,利用多分形方法界定股票市場狀態(tài)特征指標(biāo)變量,從市場內(nèi)外兩方面來篩選風(fēng)險特征指標(biāo),對其進(jìn)行主成分分析(PCA)得到市場風(fēng)險特征指標(biāo)變量,組成風(fēng)險預(yù)警指標(biāo)。然后,建立DNN、LSTM股票市場極端風(fēng)險預(yù)警模型,進(jìn)行分析評估,并將模型用于滬深300市場極端風(fēng)險預(yù)警當(dāng)中。研究表明,DNN、LSTM極端風(fēng)險預(yù)警模型在我國股票市場表現(xiàn)出良好的穩(wěn)定性,均能對我國股票市場極端風(fēng)險進(jìn)行科學(xué)、有效的預(yù)警,具有較高的現(xiàn)實意義。
【學(xué)位單位】：首都經(jīng)濟(jì)貿(mào)易大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2019
【中圖分類】：F832.51;F49
【部分圖文】：

首都經(jīng)濟(jì)貿(mào)易大學(xué)碩士學(xué)位論文132.1.2風(fēng)險特征指標(biāo)變量的提取為了更好的體現(xiàn)深層次的動態(tài)關(guān)系和變量間的依賴關(guān)系，本文選取了49個風(fēng)險特征指標(biāo)變量，但是，對于機(jī)器學(xué)習(xí)模型來說，大量的變量會導(dǎo)致維數(shù)詛咒問題，影響模型的泛化能力，接下來，本文將利用主成分分析法對風(fēng)險特征指標(biāo)變量進(jìn)行進(jìn)一步提取，選擇最具影響力和代表性的輸入，將其數(shù)量限制在一定的范圍內(nèi)。目前，學(xué)者們主要使用t-檢驗、k-s檢驗等方法提取特征指標(biāo)，但這種方法不能很好的處理不同指標(biāo)間的相依關(guān)系。本文利用主成分分析法(PrincipalComponentAnalysis，PCA)來對特征指標(biāo)進(jìn)行提齲選用PCA方法有以下兩個優(yōu)點，第一，通過幾個主成分綜合體現(xiàn)了多個指標(biāo)。第二，將多個指標(biāo)轉(zhuǎn)化為幾個不存在相關(guān)性的主成分，并且具有原數(shù)據(jù)的大部分信息，解決了指標(biāo)的共線性問題。因此，對風(fēng)險特征指標(biāo)進(jìn)行必要的處理十分重要，能夠提升DNN、LSTM模型的收斂性和準(zhǔn)確率。本文接下來對所篩選的49個指標(biāo)進(jìn)行主成分分析，按照內(nèi)部因素和外部因素劃分為共線性較高的兩組，分別采用SPPS軟件進(jìn)行主成分分析。對內(nèi)部因素風(fēng)險特征指標(biāo)進(jìn)行主成分分析，得到6個主成分，f1、f2、f3、f4、f5、f6，累積方差貢獻(xiàn)率為79.814%，通過方差極大法對得到的結(jié)果矩陣進(jìn)行旋轉(zhuǎn)，結(jié)果反映了每個主成分主要體現(xiàn)的風(fēng)險特征指標(biāo)，如下圖2.1所示。圖2.1組1正交旋轉(zhuǎn)后的投入指標(biāo)因子負(fù)載矩陣圖2.1內(nèi)部因素組正交旋轉(zhuǎn)后的投入指標(biāo)因子負(fù)載矩陣

本文通過滬深300指數(shù)5分鐘高頻數(shù)據(jù)進(jìn)行實證分析，指數(shù)交易行情數(shù)據(jù)來源于RESSET高頻數(shù)據(jù)庫。選取的研究樣本時間范圍從2005年4月8日到2016年12月31日，剔除掉無效的交易日，總共有2706個交易日，129888條高頻數(shù)據(jù)。滬深300每個9:30開盤，11:30休市，中午13:00開盤，15:00休市，一天之中可以產(chǎn)生48個5分鐘高頻數(shù)據(jù)。本文將每個交易日(=1,2,3…)的高頻交易序列記為{|n=1,2,3,…,48}，每個交易日的收益率R用下式（2.11）進(jìn)行計算：R=100(lnI,48ln1,48)（2.11）其中I,48代表每日的收盤價。滬深300日收益率序列如下圖2.3所示。圖2.3滬深300日收益率序列

第3章股票市場極端風(fēng)險預(yù)警模型的構(gòu)建20第3章股票市場極端風(fēng)險預(yù)警模型的構(gòu)建在本章節(jié)，本文開始構(gòu)建DNN、LSTM極端風(fēng)險預(yù)警模型，通過滬深300指數(shù)日行情進(jìn)行實證分析，選取的研究樣本時間范圍從2005年6月1日到2016年12月31日。滬深300的市值大約占據(jù)滬深市場的七成，其成分股具有優(yōu)良的代表性，并且在樣本期間經(jīng)歷了多次“股災(zāi)”，具有較大的研究價值，因此，本文選擇滬深300指數(shù)作為研究標(biāo)的進(jìn)行研究，值得一提的是，在樣本期間內(nèi)，本文剔除了所有應(yīng)休市、閉市等種種原因所造成的數(shù)據(jù)缺失的情況，最終得到2672條預(yù)警指標(biāo)變量數(shù)據(jù)。3.1DNN極端風(fēng)險預(yù)警模型的構(gòu)建DNN深度全連接神經(jīng)網(wǎng)絡(luò)（DeepNeuralNetworks，DNN）是深度學(xué)習(xí)重要的基礎(chǔ)算法，之所以稱為“深度”是因為DNN擁有多個隱含層，層數(shù)越深DNN對現(xiàn)實的表達(dá)能力就會越強(qiáng)，深度學(xué)習(xí)是機(jī)器學(xué)習(xí)領(lǐng)域的一個重要分支，近年來受到學(xué)者的廣泛關(guān)注。圖3.1DNN結(jié)構(gòu)圖如圖3.1簡單展示了一個單隱含層DNN神經(jīng)網(wǎng)絡(luò)，DNN的基本結(jié)構(gòu)分為3層：輸入層、隱含層、輸出層，層與層之間都是全連接的，每一個神經(jīng)元都包括一個線性關(guān)系z=∑+=1（3.1）和激活函數(shù)σ()，每個神經(jīng)元都包括線性相關(guān)系數(shù)和偏移量兩個參數(shù)。DNN能夠通過多個隱含層，對輸入的特征進(jìn)行抽象，通過抽象特征得到最終的結(jié)果，這個過程稱之為特征學(xué)習(xí)，是DNN的核心。通過這種模式，DNN能夠?qū)W習(xí)到人工篩選特征難以得到的隱含特征，能夠很好的降低數(shù)據(jù)之間的非線性關(guān)系，提高模型的表達(dá)能力。在股票市場中存在大量“異�！爆F(xiàn)象，數(shù)據(jù)之間充滿復(fù)雜的非線性特征，使用DNN建立股票市場極端風(fēng)險預(yù)警模型能夠更好的對金融數(shù)據(jù)間的非線性關(guān)系進(jìn)行處理，提高模型效果，更加科學(xué)、有效的對我國股票市場極端風(fēng)險進(jìn)行預(yù)警。
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 吳衛(wèi)星;尹豪;;工作滿意度與股票市場參與[J];經(jīng)濟(jì)科學(xué);2019年06期

2 李永森;;中國股票市場對外開放進(jìn)入下半場[J];中國外匯;2019年20期

3 朱海城;;晚清外商股票市場[J];中國金融;2018年21期

4 鄭順陽;;中國股票市場流通性價值分析[J];全國流通經(jīng)濟(jì);2018年31期

5 喬宇航;;我國股票市場的發(fā)展對經(jīng)濟(jì)的影響[J];廣西質(zhì)量監(jiān)督導(dǎo)報;2018年10期

6 陳健;曾世強(qiáng);;中國股票市場振興問題研究[J];時代金融;2019年11期

7 劉顯平;唐紹欣;;中國股票市場的特征、問題及發(fā)展建議[J];中國經(jīng)濟(jì)報告;2019年06期

8 耿睿思;;我國股票市場發(fā)展探究[J];中國國際財經(jīng)(中英文);2018年03期

9 段亞東;梁澤淦;;國際油價下跌對我國股票市場的影響[J];品牌研究;2018年02期

10 王蓬;;加拿大政策利率對多倫多股票市場的影響[J];財經(jīng)問題研究;2018年05期

相關(guān)博士學(xué)位論文 前10條

1 麻露;中國股票市場的跳躍行為及其風(fēng)險研究[D];廈門大學(xué);2017年

2 于江寧;開放式基金業(yè)績與基金流量研究[D];上海交通大學(xué);2016年

3 楊少華;價差波動約束下的最優(yōu)統(tǒng)計套利策略研究[D];遼寧大學(xué);2018年

4 鄔松濤;基于多元信息人工股票市場的股票關(guān)聯(lián)網(wǎng)絡(luò)研究[D];東南大學(xué);2018年

5 石玉山;股票質(zhì)押率測算研究[D];上海交通大學(xué);2017年

6 鄧增洪;中國股票市場主要參與者行為特征研究[D];武漢大學(xué);2013年

7 闕紫康;中國股票市場制度效率研究[D];中國社會科學(xué)院研究生院;2002年

8 王蘭軍;中國股票市場功能演進(jìn)與經(jīng)濟(jì)結(jié)構(gòu)戰(zhàn)略性調(diào)整研究[D];西南財經(jīng)大學(xué);2002年

9 林志毅;股票市場會計信息披露制度相關(guān)問題研究[D];廈門大學(xué);2000年

10 林平忠;宏觀經(jīng)濟(jì)政策目標(biāo)與股市調(diào)控策略實證研究[D];廈門大學(xué);2003年

相關(guān)碩士學(xué)位論文 前10條

1 李慶航;基于人工智能方法的股票市場極端風(fēng)險預(yù)警模型實證研究[D];首都經(jīng)濟(jì)貿(mào)易大學(xué);2019年

2 周久強(qiáng);交易者杠桿、異質(zhì)信念與股市崩盤[D];武漢大學(xué);2019年

3 龔丹娜;經(jīng)濟(jì)政策不確定性對開放式股票基金資產(chǎn)流動性影響實證研究[D];湖南大學(xué);2019年

4 唐一丁;基于面板分位回歸的歐盟碳交易體系對股票市場影響研究[D];湖南大學(xué);2019年

5 龍文秀;基于深度學(xué)習(xí)的股票指數(shù)預(yù)測研究[D];湖南大學(xué);2019年

6 程智勝;股票市場突發(fā)行為的數(shù)據(jù)挖掘[D];華中師范大學(xué);2019年

7 高紅;基于Spark MLlib的股票數(shù)據(jù)分析研究[D];華北電力大學(xué)(北京);2019年

8 王玉秀;基于機(jī)器學(xué)習(xí)技術(shù)的股票投資研究[D];對外經(jīng)濟(jì)貿(mào)易大學(xué);2019年

9 李勇;基于深度神經(jīng)網(wǎng)絡(luò)的股票智能預(yù)測系統(tǒng)的設(shè)計與實現(xiàn)[D];西北大學(xué);2019年

10 王若愚;上市公司大股東化解股票質(zhì)押平倉風(fēng)險案例分析[D];江西財經(jīng)大學(xué);2019年

本文編號：2848484