基于LSTM与多GARCH型混合模型的股价波动性预测的实证分析

论文摘要

金融市场具有极强的流动性同时也具有着一定振幅的波动性,现实生活中它总是一把“双刃剑”,一方面对于社会经济金融的发展能够起到明显有效地催化剂作用,另一方面,市场自身也存在着一定的风险。通过官方近十年来对我国股票数据的统计显示,我国股市出现两次令人闻风丧胆堪称“股灾”的大幅波动,因此对于我国股市的波动性能够进行全面的掌握,针对我国股市波动性的深入研究就显得日益迫切,这对于股民如何进行理性的投资来说也是非常重要的。纵观近年来,神经网络系统模型与传统时间序列模型发展迅速,并被越来越多的应用于金融市场等领域。本文创新的提出建立神经网络模型与时间序列模型的混合模型,应用其对我国股票市场波动性的掌握与预测进行深入研究。本文着眼于股票数据,以中证500指数日收益率为研究对象,应用工具软件对选取的研究数据进行一系列的统计分析,得到其对数收益率序列具有波动聚集性、尖峰厚尾性、右偏性等特征,序列存在平稳、无自相关等特性且残差序列存在ARCH效应。然后建立基于学生t分布和广义误差GED分布的GARCH族模型,结果发现t分布下GARCH族模型拟合效果最优,进而得到各模型的估计参数,并将它们一同作为混合LSTM模型的输入。最后本文创新的建立LSTM深度神经网络模型与一到三个GARCH族模型相结合的混合模型,对收盘价进行预测,预测结果显示多混合模型GET-LSTM模型在所有的混合LSTM模型中拟合效果最优,预测误差最小。进而根据论文分析结果,从信息披露、政府干预、新品种开发、投资者教育、市场监管等角度提出一些建议。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
•   1.1 研究背景
•   1.2 研究目的及意义
•   1.3 研究内容与方法
•   1.4 国内外研究现状
•     1.4.1 国外研究现状
•     1.4.2 国内研究现状
•     1.4.3 国内外文献综述的简析
•   1.5 创新点
• 第二章 相关理论与方法
•   2.1 股票市场的波动性
•     2.1.1 波动性概念
•     2.1.2 波动性特点
•     2.1.3 波动性度量
•   2.2 金融市场非对称性模型-GARCH族模型简介
•     2.2.1 ARCH
•     2.2.2 GARCH
•     2.2.3 GARCH族模型拓展
•     2.2.4 相关分布介绍
•   2.3 神经网络相关理论
•     2.3.1 神经网络
•     2.3.2 传统递归神经网络
•     2.3.3 LSTM深度神经网络
•   2.4 本章小结
• 第3章 GARCH族模型的建立与实证分析
•   3.1 数据的选取与基本统计分析
•     3.1.1 波动基本特征分析
•     3.1.2 序列平稳性检验
•     3.1.3 序列自相关性检验
•     3.1.4 异方差性检验（ARCH效应）
•   3.2 GARCH族模型建模
•     3.2.1 GARCH（1,1）模型的实证分析结果
•     3.2.2 EGARCH（1,1）模型的实证分析结果
•     3.2.3 TGARCH（1,1）模型的实证分析结果
•     3.2.4 分析比较实证估计结果
•     3.2.5 GARCH族模型波动率预测效果评价
•   3.3 本章小结
• 第4章 混合模型的建立与实证分析
•   4.1 LSTM模型波动率预测效果评价
•   4.2 单混合LSTM模型波动率预测效果评价
•   4.3 双混合LSTM模型波动率预测效果评价
•   4.4 多混合LSTM模型波动率预测效果评价
•   4.5 综合比较各模型预测效果优劣
•   4.6 相关政策与建议
•   4.7 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间发表的论文及其它成果
• 致谢

文章来源

类型: 硕士论文

作者: 田晓丹

导师: 付永强

关键词: 中证指数,波动性,杠杆效应,模型

来源: 哈尔滨工业大学

年度: 2019

分类: 基础科学,经济与管理科学

专业: 数学,宏观经济管理与可持续发展,金融,证券,投资

单位: 哈尔滨工业大学

分类号: F832.51;F224

DOI: 10.27061/d.cnki.ghgdu.2019.003260

总页数: 64

文件大小: 1266K

下载量: 523