基于独立循环神经网络的沪深300指数已实现波动率预测研究
发布时间：2020-12-05 23:39
循环神经网络是深度学习中重要的组成部分,与传统的神经网络相比,循环神经网络的优势在于可以处理具有时间先后顺序的序列数据,但其处理较长时间序列能力较弱,不具有较长时间的记忆性。针对这一问题,许多学者都进行了研究并取得了一定的成果。对于波动率的研究是金融理论研究和实际决策的重要部分,其中己实现波动率是基于日内高频数据估计波动率的方法,优于低频数据估计得到的波动率结果,具有重要的研究价值。沪深300指数作为可以反映中国金融市场的重要指示指数,对其波动性的研究也非常重要。本文根据独立循环神经网络的思想,在长短时记忆网络的基础上,改变了相应的激活函数和乘积形式,得到了独立长短时记忆网络模型。与此同时,本文将独立循环神经网络和独立长短时记忆网络中的激活函数由线性整流函数ReLu替换为指数线性单元Elu函数和平滑整流函数softplus得到新的改进模型,用以预测沪深300指数己实现波动率,对新模型的长记忆性进行了分析,并将新模型及传统模型对于己实现波动率的预测准确性进行了实证分析和综合评价。本文利用2010年至2019年10年的沪深300指数5分钟高频数据得到的高频己实现波动率进行实证分析。由实证结...
【文章来源】：北京交通大学北京市 211工程院校 教育部直属院校
【文章页数】：57 页
【学位级别】：硕士
【部分图文】：
循环神经网络
??图３．２循环神经网络结构??由图３．２可以比较清楚的看出，网络在ｔ时刻输入为；ｃｔ，隐藏层的值为心，得到??的输出为ｙｔ，需要注意的是此时的＼不仅与当前时刻的输入ｘｔ有关，而且与上一时??亥ｉｊｔ?－?１时刻的隐藏层值有关。循环神经网络的具体计算公式如下：??ｈ＝ｆ｛Ｕｘ＋Ｗｈ＾?＋?ｂ）?（３１）??ｙ，＝Ｓ（Ｖｈ）?（３－２）??式３－１为隐藏层的计算公式，隐藏层也是循环层。其中ｔ／为输入ｘｔ的权重矩阵，??而撕则是作为隐藏层上一时刻输入到这一时刻的值的权重矩阵，／代表激活函??数。式３－２代表该时刻的输出，输出层是每个节点都与隐藏层的每个节点连接的全??连接层。??两个公式的区别在于隐藏层比输出层多了一个与上一时刻相关的权重矩阵Ｗ，??若将隐藏层公式反复带入到输出层中，可以得到：??ｙ
如果小于１则会发生消失，这就是梯度消失和梯度爆炸问题。如果出??现梯度消失问题则无法确定参数改进的方向，如果发生梯度爆炸现象，会使得整个??学习过程变得不稳定。在深度学习中梯度消失和梯度爆炸问题都是较为常见的问??题，不仅仅存在于循环神经网络中，在深度学习的神经网络中都可能发生［３８］。??３．２长短时记忆网络??循环神经网络梯度消失的问题限制了模型处理数据的能力，为了提高循环神??经网络的长时间记忆性，在一定程度上解决梯度消失问题，１９９７年，Ｈｏｃｈｒｅｉｔｅｒ和??Ｓｃｈｍｉｄｈｕｂｅｒ在传统循环神经网络中引入三个了?“门”的结构，提出了长短时记忆??网络（ＬＳＴＭ），大大提高了循环神经网络的“记忆性”。??３．２．１长短时记忆网络结构??与循环神经网络相比，长短时记忆网络也是具有链式的重神经网络模块，但其??中重复的模块具有不同的结构，其结构图３．３所示：??
【参考文献】：
期刊论文
[1]基于ARMA-GARCH模型的沪深300指数波动率分析与预测[J]. 黄轩,张青龙. 中国物价. 2018(06)
[2]基于深度学习的上证综指波动率预测效果比较研究[J]. 陈卫华. 统计与信息论坛. 2018(05)
[3]基于神经网络技术对标普500指数波动率的预测[J]. 李健. 中国市场. 2018(07)
[4]ReLU激活函数优化研究[J]. 蒋昂波,王维维. 传感器与微系统. 2018(02)
[5]沪深300波动率预测模型研究:基于中国股票和期货市场高频数据分析[J]. 李航,何枫. 广义虚拟经济研究. 2017(04)
[6]基于循环神经网络的音素识别研究[J]. 黎长江,胡燕. 微电子学与计算机. 2017(08)
[7]循环神经网络结构中激活函数的改进[J]. 叶小舟,陶飞飞,戚荣志,张云飞,周思琪,刘璇. 计算机与现代化. 2016(12)
[8]沪深300股指期权合约设计解读[J]. 张小艳. 经济论坛. 2015(04)
[9]基于赋权已实现波动率的股票市场VaR度量[J]. 边宽江,王艳荣. 商业会计. 2013(12)
[10]中国股市高频波动率的特征、预测模型以及预测精度比较[J]. 陈浪南,杨科. 系统工程理论与实践. 2013(02)
硕士论文
[1]高频数据下基于已实现波动率的上证50ETF期权定价研究[D]. 李超.首都经济贸易大学 2018
[2]激活函数导向的RNN算法优化[D]. 张尧.浙江大学 2017
本文编号：2900296
【文章来源】：北京交通大学北京市 211工程院校 教育部直属院校
【文章页数】：57 页
【学位级别】：硕士
【部分图文】：
循环神经网络
??图３．２循环神经网络结构??由图３．２可以比较清楚的看出，网络在ｔ时刻输入为；ｃｔ，隐藏层的值为心，得到??的输出为ｙｔ，需要注意的是此时的＼不仅与当前时刻的输入ｘｔ有关，而且与上一时??亥ｉｊｔ?－?１时刻的隐藏层值有关。循环神经网络的具体计算公式如下：??ｈ＝ｆ｛Ｕｘ＋Ｗｈ＾?＋?ｂ）?（３１）??ｙ，＝Ｓ（Ｖｈ）?（３－２）??式３－１为隐藏层的计算公式，隐藏层也是循环层。其中ｔ／为输入ｘｔ的权重矩阵，??而撕则是作为隐藏层上一时刻输入到这一时刻的值的权重矩阵，／代表激活函??数。式３－２代表该时刻的输出，输出层是每个节点都与隐藏层的每个节点连接的全??连接层。??两个公式的区别在于隐藏层比输出层多了一个与上一时刻相关的权重矩阵Ｗ，??若将隐藏层公式反复带入到输出层中，可以得到：??ｙ
如果小于１则会发生消失，这就是梯度消失和梯度爆炸问题。如果出??现梯度消失问题则无法确定参数改进的方向，如果发生梯度爆炸现象，会使得整个??学习过程变得不稳定。在深度学习中梯度消失和梯度爆炸问题都是较为常见的问??题，不仅仅存在于循环神经网络中，在深度学习的神经网络中都可能发生［３８］。??３．２长短时记忆网络??循环神经网络梯度消失的问题限制了模型处理数据的能力，为了提高循环神??经网络的长时间记忆性，在一定程度上解决梯度消失问题，１９９７年，Ｈｏｃｈｒｅｉｔｅｒ和??Ｓｃｈｍｉｄｈｕｂｅｒ在传统循环神经网络中引入三个了?“门”的结构，提出了长短时记忆??网络（ＬＳＴＭ），大大提高了循环神经网络的“记忆性”。??３．２．１长短时记忆网络结构??与循环神经网络相比，长短时记忆网络也是具有链式的重神经网络模块，但其??中重复的模块具有不同的结构，其结构图３．３所示：??
【参考文献】：
期刊论文
[1]基于ARMA-GARCH模型的沪深300指数波动率分析与预测[J]. 黄轩,张青龙. 中国物价. 2018(06)
[2]基于深度学习的上证综指波动率预测效果比较研究[J]. 陈卫华. 统计与信息论坛. 2018(05)
[3]基于神经网络技术对标普500指数波动率的预测[J]. 李健. 中国市场. 2018(07)
[4]ReLU激活函数优化研究[J]. 蒋昂波,王维维. 传感器与微系统. 2018(02)
[5]沪深300波动率预测模型研究:基于中国股票和期货市场高频数据分析[J]. 李航,何枫. 广义虚拟经济研究. 2017(04)
[6]基于循环神经网络的音素识别研究[J]. 黎长江,胡燕. 微电子学与计算机. 2017(08)
[7]循环神经网络结构中激活函数的改进[J]. 叶小舟,陶飞飞,戚荣志,张云飞,周思琪,刘璇. 计算机与现代化. 2016(12)
[8]沪深300股指期权合约设计解读[J]. 张小艳. 经济论坛. 2015(04)
[9]基于赋权已实现波动率的股票市场VaR度量[J]. 边宽江,王艳荣. 商业会计. 2013(12)
[10]中国股市高频波动率的特征、预测模型以及预测精度比较[J]. 陈浪南,杨科. 系统工程理论与实践. 2013(02)
硕士论文
[1]高频数据下基于已实现波动率的上证50ETF期权定价研究[D]. 李超.首都经济贸易大学 2018
[2]激活函数导向的RNN算法优化[D]. 张尧.浙江大学 2017
本文编号：2900296
本文链接：https://www.wllwen.com/guanlilunwen/tongjijuecelunwen/2900296.html
