基于RBF神经网络的实物期权定价研究

发布时间：2021-09-21 22:35

　　随着经济社会的不断发展和进步,企业的经营业务和管理手段也在不断的变化,导致公司的价值类型也在不断的更新。企业面临的未知因素越来越多,管理决策的灵活性也越来越强。这使得以往用于企业价值评估的分析方法逐渐失效,主要在于其无法估计出公司的可变性变化带来的那部分隐藏价值。实物期权恰好弥补了这部分的欠缺。它能够估计公司以上所描述的隐藏价值,从而得到更准确的价值评估结果。本文将从定性和定量两个角度对实物期权展开研究。首先,在定性研究方面。由于实物期权发展并不是非常完全,导致其迄今并没有一个统一的定义。本文就此根据实物期权的特点,通过总结归纳大量文献资料,概括性的给出实物期权的定义及其分类。填补了实物期权这一部分的空白。其次,在定量研究方向。对实物期权进行定价研究。根据其定价方面与金融期权的相似性,比照金融期权定价模型指标选取了标的物的现值S、实施价格X、公司价值的变动率?、执行时间T、无风险利率r,五个指标作为实物期权定价模型的变量。从国泰安数据库中搜集深圳证券交易所上市企业中的55家的财务数据,计算以上指标数值。再利用选定好的指标运用传统实物期权定价模型——Black-Scholes定价模型对实... 

【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校

【文章页数】：63 页

【学位级别】：硕士

【部分图文】：

单期二项式模型定价变化

哈尔滨工业大学应用统计硕士专业学位论文-15-图2-2BP神经网络结构图该网络主要由三部分组成：输入层、隐含层、输出层，其中，输入层、隐含层与输出层节点的数量依次为r、n和m。X则代表该BP神经网络的最终输入层的结果并且O和T分别表示与之相对应的网络实际输出矩阵和期望输出矩阵，W表示输入层节点和隐含层节点相互关联形成的权值数据，V为隐含层节点和输出层节点相互关联形成的权值数据，nBR和mCR为是隐层节点、输出层节点的阈值数据。输出层的输出则展示为式（2-18）：11121111211212,rnnnnrmmmnnrmnOfVgWXBCwwwvvvWVwwwvvv(2-18)其中，1212,,,,,,,TTrmXxxxOooo，ijw表示的是两层相连的权值。具体属于隐层第i个节点和输入层第j个节点的权值。ijv也表示的是两层相连是权值。具体属于隐层第j个节点和输出层第i个节点的权值。f和g代表输出层、隐层的作用函数。由于其实现过程规定激活函数必须是处处可微的。因此，隐含层神经元的激活函数通常是Sigmoid型函数：1()1xgxe，输出层作用函数通常选用取Purelin函数[44]。BP神经网络有两种常见的学习算法。一种是输入样本进入当前网络模型后，产生的误差反向传播，利用梯度下降法重新确定权值，称为在线方法。另一种方法是该网络模型将全部样本进行学习过程，再重新确定权值，叫做批处理办法。与前一种办法对比，此方法的好处主要是速率高，不容易出现陷入局部最小值这种现象。批处理方法的具体步骤如下：

哈尔滨工业大学应用统计硕士专业学位论文-20-层是使用非线性优化策略来调整激活函数（格林函数或高斯函数，通常是高斯函数）的参数，因此学习速度较慢。RBF神经网络运行的基本思想是使用RBF函数作为隐藏单元的“基幢来形成隐藏层空间，并且输入层将输入信号直接传输到隐藏层，以便输入向量可以简单（即不借助权重作用）传输到隐藏层节点，隐藏层单元的输出是网络输入的RBF函数映射（非线性）；除了隐藏单元和输出单元之间连接的权重之外，线性加权总和也是其可调节参数。在RBF神经网络中隐藏层的独特作用在于将向量映射的维度升高，从而使得向量可以在高维度中变为线性可分向量。由此可见，RBF网络整个过程属于非线性过程，但算法输出的各个参数却为线性的，因此权值的计算就可以用线性方程组求得，就可以快速提高学习速度，同时也避免了局部极小值的题的发生[47]。其结构及其常用作隐含层激活函数的Gaussian函数形状如下图3-1和图3-2所示，图3-1RBF神经网络结构图

【参考文献】：
期刊论文
[1]基于参数优化的RBF神经网络结构设计算法[J]. 翟莹莹,左丽,张恩德.  东北大学学报(自然科学版). 2020(02)
[2]基于RBF神经网络的伊犁马体重估测模型[J]. 朱让东,张太红,郭斌.  计算机技术与发展. 2020(03)
[3]实物期权定价问题研究[J]. 郑礼典.  北方经贸. 2018(09)
[4]基于神经网络和实物期权的新药研发项目估值模型研究[J]. 薛永刚,张明丽.  中国新药杂志. 2016(04)
[5]基于改进的实物期权模型的新能源上市企业价值评估研究[J]. 卜洪运,李红珊.  燕山大学学报(哲学社会科学版). 2013(04)
[6]R&D项目的期权价值——基于跳扩散模糊实物期权定价模型的数值模拟[J]. 王璐,谢德泳.  中南财经政法大学研究生学报. 2013(05)
[7]权证定价中的神经网络方法[J]. 高博,王启敢,张艳锋.  统计与决策. 2010(14)
[8]实物期权——兼顾灵活性和战略性的项目投资管理工具[J]. 郭蕊.  兰州学刊. 2006(03)
[9]基于人工神经网络的实物期权定价[J]. 吴立扬,马文伟.  武汉理工大学学报(交通科学与工程版). 2004(01)
[10]实物期权方法在投资项目评估中的运用[J]. 羊利锋,雷星晖.  决策借鉴. 2001(03)

博士论文
[1]基于产品的高新技术虚拟企业价值评估研究[D]. 刘照德.华南理工大学 2013

硕士论文
[1]基于RBF神经网络的山东省区域金融风险预警研究[D]. 李忠田.青岛大学 2019
[2]基于集成学习的短文本聚类[D]. 王小静.华中科技大学 2019
[3]基于极限学习机的实物期权定价模型研究[D]. 赵丹丹.首都经济贸易大学 2016
[4]基于BP神经网络的互联网企业价值评估研究[D]. 罗文芳.杭州电子科技大学 2016
[5]基于改进的RBF神经网络的航空公司绩效评价模型研究[D]. 王序.哈尔滨工业大学 2015
[6]科技型中小企业专利质押价值评估研究[D]. 武贯兰.北京交通大学 2015
[7]RBF神经网络在认股权证定价中的应用研究[D]. 杨梁玉.厦门大学 2009
[8]实物期权方法在风险投资决策评价中的应用研究[D]. 张莹.中南大学 2004
[9]基于人工神经网络的实物期权定价方法研究[D]. 马文伟.武汉理工大学 2004



本文编号：3402621