基于NN-GARCH模型的中国沪深300指数实证研究

发布时间：2021-01-06 01:31

　　本文介绍了一种将神经网络应用于金融时间序列建模的新方法NN-GARCH模型。它是一个在均值方程中具有非线性神经网络参数，方差方程中具有线性GARCH参数的模型。它与传统的神经网络“黑箱子”的研究方法不同，它的优点是每一步建模过程都被清楚的论证并且实施，输入变量的选择、神经网络隐含单元的个数都是通过严格的检验得到的。为了能够同时模拟出数据生成过程的条件均值和方差变异性，该模型超越了神经网络函数单纯近似的功能，将它推广到统计建模的高度，从而把神经网络技术引入到当今计量经济研究领域的核心中来。通过文中推荐的NN-GARCH模型不仅可以找出目标变量和解释变量之间的函数关系，还可以捕获条件分布的其它有趣特征。本文主要介绍NN-GARCH模型的完整建模方法，包括模型参数的选择、估计和最终方程的评价，还特别讨论了估计模型的样本内错误设定检验（残差自相关，忽略的非线性以及忽略的异方差等因素）。基于极大似然理论，通过设计NN-GARCH模型框架下的统计推断过程，可以使建模者恰当的检验概率分布的均值和方差结构。为了保证在不同的错误设定形式下（结构或分布方面）的检验都是有效的，本文还采用了经典的LM统计量。... 

【文章来源】：天津财经大学天津市

【文章页数】：56 页

【学位级别】：硕士

【部分图文】：

隐藏单元构造示意图

用于估计模型，后27个数据(2007/3/1一2007/4/6)用来评价模型的质量。图4.1和图4.3分别给出了整个样本区间内沪深300指数和其收益率的统计特征图。观察到图4.3收益率序列具有很高的异方差性，它是以超出变异度的上下区间为特征的。图4.2和图4.4给出了样本数据的描述性统计量，从图4.2和图4.4可以看到，样本的分布高度偏离正态曲线标准，并具有典型的尖峰厚尾特征，这种现象在金融时间序列的研究中是非常普遍的。

用于估计模型，后27个数据(2007/3/1一2007/4/6)用来评价模型的质量。图4.1和图4.3分别给出了整个样本区间内沪深300指数和其收益率的统计特征图。观察到图4.3收益率序列具有很高的异方差性，它是以超出变异度的上下区间为特征的。图4.2和图4.4给出了样本数据的描述性统计量，从图4.2和图4.4可以看到，样本的分布高度偏离正态曲线标准，并具有典型的尖峰厚尾特征，这种现象在金融时间序列的研究中是非常普遍的。

【参考文献】：
期刊论文
[1]基于GARCH模型与ANN技术组合的汇率预测[J]. 刘潭秋,谢赤.  科学技术与工程. 2006(23)
[2]沪深300指数的实证研究[J]. 胡振华,吴华.  金融经济. 2006(08)
[3]非线性时序模型LM检验的两类临界值检验统计功效比较[J]. 钱争鸣,艾舍莱福,郭鹏辉.  数量经济技术经济研究. 2006(01)
[4]ANN-GARCH混合模型的理论尝试[J]. 陶庆梅.  工业技术经济. 2005(09)
[5]非线性协整建模研究及沪深股市实证分析[J]. 樊智,张世英.  管理科学学报. 2005(01)
[6]基于神经网络技术的股指预测模型及实证分析[J]. 高振坤,熊正德.  财经理论与实践. 2005(01)
[7]股票价格预测:GARCH模型与BP神经网络模型的比较[J]. 崔建福,李兴绪.  统计与决策. 2004(06)
[8]中国股市波动性过程中的长期记忆性实证研究[J]. 王春峰,张庆翠.  系统工程. 2004(01)
[9]基于GARCH模型族的中国股市波动性预测[J]. 李亚静,朱宏泉,彭育威.  数学的实践与认识. 2003(11)
[10]人工神经元BP网络在股市预测方面的应用[J]. 吴成东,王长涛.  控制工程. 2002(03)



本文编号：2959667