對(duì)互聯(lián)網(wǎng)貨幣基金收益率進(jìn)行預(yù)測(cè),在此基礎(chǔ)上可對(duì)其風(fēng)險(xiǎn)特征進(jìn)行更多的分析,促進(jìn)基金的穩(wěn)定發(fā)展。旨在對(duì)互聯(lián)網(wǎng)貨幣基金的收益率作出分析預(yù)測(cè),以提高風(fēng)險(xiǎn)分析的準(zhǔn)確性。GARCH模型具有良好的處理線性問題的能力,本文首先建立了基于GARCH模型的互聯(lián)網(wǎng)貨幣基金收益率的預(yù)測(cè)模型,分析了利用GARCH模型擬合收益率的優(yōu)缺點(diǎn)。由于互聯(lián)網(wǎng)貨幣基金的獨(dú)特風(fēng)險(xiǎn),模型對(duì)于極端值的捕捉并不理想。其次,建立了基于BP神經(jīng)網(wǎng)絡(luò)的收益率預(yù)測(cè)模型,利用BP神經(jīng)網(wǎng)絡(luò)的非線性特征,實(shí)現(xiàn)了對(duì)收益率較好的預(yù)測(cè),但整體效果并不如預(yù)期。再次嘗試結(jié)合GARCH模型的線性處理能力和BP神經(jīng)網(wǎng)絡(luò)的非線性處理效果,建立基于BP-GARCH模型的收益率預(yù)測(cè)模型,該模型在擬合極端值能力上有了明顯提高。最后,為了提高BP神經(jīng)網(wǎng)絡(luò)模型的泛化能力,利用AdaBoost算法進(jìn)行優(yōu)化,實(shí)現(xiàn)對(duì)多個(gè)BP神經(jīng)網(wǎng)絡(luò)的互補(bǔ)組合,加大預(yù)測(cè)效果較好的BP神經(jīng)網(wǎng)絡(luò)的權(quán)重,實(shí)證表明改進(jìn)的BP-AdaBoost算法對(duì)收益率的擬合預(yù)測(cè)效果在整體上要好于其它三個(gè)模型。利用平均絕對(duì)誤差（MAE）、均方誤差（MSE）、平均誤差（ME）、定向精度（DA）四個(gè)指標(biāo)作為標(biāo)準(zhǔn)對(duì)模型進(jìn)行評(píng)... 

【文章來源】：河北工業(yè)大學(xué)天津市 211工程院校

【文章頁數(shù)】：50 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 論文組織架構(gòu)及主要研究?jī)?nèi)容
        1.3.1 論文組織架構(gòu)
        1.3.2 主要研究?jī)?nèi)容及創(chuàng)新點(diǎn)
第二章 神經(jīng)網(wǎng)絡(luò)理論綜述和BP神經(jīng)網(wǎng)絡(luò)
    2.1 神經(jīng)網(wǎng)絡(luò)概念
    2.2 神經(jīng)網(wǎng)絡(luò)歷史與發(fā)展
    2.3 人工神經(jīng)元
    2.4 前饋神經(jīng)網(wǎng)絡(luò)
    2.5 反向傳播算法
    2.6 BP神經(jīng)網(wǎng)絡(luò)模型
第三章 AdaBoost優(yōu)化算法
    3.1 AdaBoost算法流程
    3.2 AdaBoost算法原理
        3.2.1 加法模型與前向分步算法
        3.2.2 前向分步算法流程
        3.2.3 前向分步算法與AdaBoost算法
    3.3 AdaBoost算法誤差界
第四章 對(duì)互聯(lián)網(wǎng)貨幣基金收益率的實(shí)證分析
    4.1 數(shù)據(jù)選取和評(píng)價(jià)標(biāo)準(zhǔn)
    4.2 建立基于GARCH模型的收益率波動(dòng)模型
        4.2.1 GARCH模型介紹
        4.2.2 描述性檢驗(yàn)
        4.2.3 GARCH模型的建立
    4.3 建立基于BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型
        4.3.1 BP神經(jīng)網(wǎng)絡(luò)各參數(shù)的確定
        4.3.2 BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)
    4.4 建立基于BP-GARCH模型的預(yù)測(cè)模型
        4.4.1 組合模型方法
        4.4.2 實(shí)證分析結(jié)果
    4.5 建立改進(jìn)的BP-AdaBoost算法模型
        4.5.1 算法流程
        4.5.2 實(shí)證分析
    4.6 各模型實(shí)證結(jié)果分析
第五章 總結(jié)與展望
    5.1 研究?jī)?nèi)容總結(jié)和研究中的不足
        5.1.1 研究?jī)?nèi)容總結(jié)
        5.1.2 研究中的不足
    5.2 下一步工作展望
參考文獻(xiàn)
攻讀學(xué)位期間所取得的相關(guān)科研成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于BPAdaboost算法的網(wǎng)絡(luò)輿情危機(jī)預(yù)警[J]. 朱晨飛,黃淑華,何杭松,康友春.  中國(guó)公共安全(學(xué)術(shù)版). 2017(04)
[2]基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)在股指預(yù)測(cè)中的應(yīng)用研究[J]. 黃宏運(yùn),朱家明,李詩爭(zhēng).  云南大學(xué)學(xué)報(bào)(自然科學(xué)版). 2017(03)
[3]互聯(lián)網(wǎng)貨幣基金對(duì)我國(guó)商業(yè)銀行經(jīng)營(yíng)績(jī)效的影響研究[J]. 張芳芳.  江淮論壇. 2017(02)
[4]智能制造模式下基于改進(jìn)BP-ARIMA組合模型產(chǎn)品需求預(yù)測(cè)方法[J]. 靖可,唐亮,趙禮強(qiáng),王澤賢.  數(shù)學(xué)的實(shí)踐與認(rèn)識(shí). 2017(04)
[5]Adaboost集成BP神經(jīng)網(wǎng)絡(luò)在火電廠SO2濃度檢測(cè)中的應(yīng)用[J]. 嚴(yán)玥,嚴(yán)實(shí),楊永斌,江赟.  傳感器與微系統(tǒng). 2016(09)
[6]神經(jīng)網(wǎng)絡(luò)七十年:回顧與展望[J]. 焦李成,楊淑媛,劉芳,王士剛,馮志璽.  計(jì)算機(jī)學(xué)報(bào). 2016(08)
[7]互聯(lián)網(wǎng)貨幣市場(chǎng)基金的發(fā)展優(yōu)勢(shì)及潛在風(fēng)險(xiǎn)——以余額寶為例[J]. 趙舒怡,李敬湘.  時(shí)代金融. 2015(36)
[8]我國(guó)互聯(lián)網(wǎng)貨幣基金收益波動(dòng)風(fēng)險(xiǎn)比較[J]. 李志鵬,姚小義.  財(cái)會(huì)月刊. 2015(26)
[9]余額寶的風(fēng)險(xiǎn)與規(guī)避[J]. 莫易嫻,吳炳良.  國(guó)際金融. 2014(06)
[10]中國(guó)貨幣市場(chǎng)基金發(fā)展與利率市場(chǎng)化:基于美國(guó)的經(jīng)驗(yàn)[J]. 巴曙松,牛播坤.  湖北經(jīng)濟(jì)學(xué)院學(xué)報(bào). 2014(03)



本文編號(hào)：3021896