在金融市場,股市波動率的研究對于投資者和監(jiān)管者而言具有重要的參考意義。波動率的研究實(shí)則為金融時間序列的預(yù)測研究,通常采用傳統(tǒng)的GARCH模型進(jìn)行預(yù)測,但是該模型使用的數(shù)據(jù)是低頻數(shù)據(jù),難以捕捉更多的金融有效信息。現(xiàn)有諸多學(xué)者采用基于高頻數(shù)據(jù)的HAR-RV模型與之對比,發(fā)現(xiàn)該模型預(yù)測精度較GARCH模型而言有所提升。隨著深度學(xué)習(xí)算法在金融界的逐步拓展,越來越多的金融時間序列預(yù)測問題被證實(shí)可以用深度學(xué)習(xí)算法較好的擬合預(yù)測。由于目前深度學(xué)習(xí)算法預(yù)測的對象多為股票價格,故本文嘗試將深度學(xué)習(xí)算法應(yīng)用于股市波動率的預(yù)測研究,因此選用適合于時間序列的神經(jīng)網(wǎng)絡(luò)GRU模型,對中國股票市場的波動率進(jìn)行預(yù)測研究。已有研究表明新聞媒體對股市波動存在影響,在此背景下,如何將新聞信息對股市波動的影響提取出來用于波動率的提升預(yù)測成為新的研究方向。本文將基于新聞文本大數(shù)據(jù),通過構(gòu)建情感詞典、量化情緒指標(biāo)的方式,提取新聞文本信息,并將其加入到基于高頻數(shù)據(jù)的HAR-RV模型和GRU模型中,形成其擴(kuò)展模型。此外,本文以損失函數(shù)法和MCS檢驗(yàn)法為評價體系,將模型兩相比較,判定新興的深度學(xué)習(xí)算法是否在股市波動率預(yù)測方面有更加出色... 

【文章來源】：浙江工商大學(xué)浙江省

【文章頁數(shù)】：59 頁

【學(xué)位級別】：碩士

【部分圖文】：

論文思路框架

17如圖3.1為中文財經(jīng)情感詞典構(gòu)建流程圖：圖3.1情感詞典構(gòu)建流程圖如表3.2展示了各個基礎(chǔ)詞典和本文所構(gòu)建的中文財經(jīng)情感詞典的正負(fù)面詞語數(shù)量表。經(jīng)上述步驟構(gòu)建的中文財經(jīng)情感詞典，共計(jì)包含負(fù)面詞語2622個，正面詞語3275個。表3.2各個詞典正負(fù)詞語對照表TSINGHUADLUTSDLMCFED負(fù)面詞語46201078312752622正面詞語5569112292253275利用基礎(chǔ)詞典和中文財經(jīng)情感詞典分別對新聞文本中的詞語進(jìn)行分析，統(tǒng)計(jì)出各個詞典中在新聞文本中出現(xiàn)的詞語占自身詞語的比重，如表3.3所示：表3.3各個詞典新聞詞語頻率對照表TSINGHUADLUTSDLMCFED負(fù)面詞語33.35%14.21%60.16%100%正面詞語44.01%18.35%75.56%100%總數(shù)39.18%16.34%62.47%100%因?yàn)橹形呢斀?jīng)情感詞典的詞語全部來自于新聞?wù)Z料庫，所以該詞典中在新聞?wù)Z料庫出現(xiàn)的詞語占自身詞語的比重為100%，從表3.3中可以看出，清華詞典和大連詞典中只有39.18%和16.34%的正負(fù)面詞語適用于財經(jīng)新聞領(lǐng)域，LM翻譯詞典中有62.47%的

新聞范本


本文編號：3320857