中国权证价格的神经网络预测模型及其结构优化

发布时间：2020-05-31 08:56

【摘要】： 随着我国金融市场改革的不断深化,尤其是融资融券业务以及股指期货业务的推出,为证券衍生产品的推出提供了前提条件。但基于发达国家成熟金融市场以及诸多前提假设的传统衍生产品定价理论,在很大程度上不能够很好的描述现实市场尤其是中国市场上交易的衍生产品价格。本文通过利用人工神经网络实现了对中国权证价格预测的非线性模型,并在模型的构建中利用各个输入指标各自多日数据,建立起各指针各自的特征值矩阵作为输入变量,同时利用各指针在神经网络的不同权重选择输入变量,优化神经网络,解决了多指标、多日数据的处理问题以及输入指标的优化问题。同时也通过利用中国权证交易市场数据对建立的非线性预测模型进行了实证检验,实证结果显示基于人工神经网络的预测模型对一周的涨跌准确率可以达到80%。本文首先回顾相关文献,明确了中国金融市场的可预测性,并介绍了权证的相关知识。其次,通过介绍传统的权证定价模型及方法并利用中国权证市场交易数据对其进行实证检验,证明单纯使用传统的定价模型及方法并不能很好的对中国金融市场上正在交易的权证进行定价。然后,在第三章当中建立起了对权证价格预测的非线性模型,并阐述了非线性预测模型的实现方法——人工神经网络。随后,建立了基于BP算法的多层前馈式神经网络预测模型,并在模型的构建当中通过利用各指针输入数据以及回溯期(LAG)天数,分别为各指标构造出其独自的方阵,并求出在不同LAG天数下,各指标方阵的特征值最大值所构成的神经网络输入矩阵;在对输入数据的归一化过程当中,也充分利用中国市场特有的涨跌停机制,对输入数据进行归一化处理;利用各输入指针在神经网络中的权重大小,对输入指标进行删减,优化预测模型;并通过相应的程序设计该模型实现了自动查找出最佳的前置天数以及求出所对应的神经网络模型,避免了人为设定LAG值对预测模型的影响。同时也利用了相关数据对模型进行了实证检验并与传统定价模型方法对比,证明基于BP算法的多层前馈式神经网络预测模型无论是在涨跌方向上的预测还是具体价格的确定都优于传统的定价模型及方法。最后,然后针对BP神经网络模型的缺点,建立了基于径向基函数神经网络模型,并通过黄金分割算法解决了径向基函数中SPREAD值确定的问题,优化了神经网络。同时也利用了相关数据对模型进行了实证检验并与相关模型进行比对,证明基于径向基函数神经网络的预测模型在预测效果上略逊于基于BP算法的多层前馈式神经网络。
【图文】：

长虹,波动率,宝钢,比率

W：权证的价格S：标的股票的价格2.1.5 利用 BS 定价公式对中国权证市场进行实证由于现在权证市场上交易的权证仅剩下580022国电CWB1、580024宝钢CWB1、580026 江铜 CWB1、580027 长虹 CWB1，四只尚处于交易状态的权证存在，所以实证样本决定采用这四只权证各自从发行日到二零一零年三月三十一日的交易数据。580022 国电 CWB1、580024 宝钢 CWB1、580026 江铜 CWB1、580027 长虹 CWB1 的行权比率分别为一比一，二比一，四比一，一比一；实证用选用的波动率为各自权证的 garch 波动率；利率按照 Merton 的要求为与权证到期日相近的无风险利率，这里用的是银行相似年限定期存款利率代替；在数据区间内，样本存在发放股利的现象，，应对此情况按照彭坚二零零三年在其硕士毕业论文中所述的方法，将旧行权价除以股息比率得到新的行权价格。具体的实证结果如下列各图所示。

对比图,长虹,宝钢,对比图

长虹BS定价与真实数据对比
【学位授予单位】：电子科技大学
【学位级别】：硕士
【学位授予年份】：2010
【分类号】：F224;F832.51

【相似文献】