基于VMD-WideDeep-LSTM模型的沪深300指数已实现波动率预测研究

发布时间：2023-06-16 19:14

　　波动率作为金融投资领域的核心指标,它在期权的定价、风险管理、资产配置等方面具有着尤为重要的应用价值。对于波动率的准确预测也是学术界一直研究的重点和热点。不过由于条件的限制,在早期对于波动率的预测研究中,仅能够利用传统的计量模型对低频波动率数据进行刻画和预测,但低频金融交易数据相较高频金融交易数据会损失掉过多的日内交易信息,而且使用传统计量经济学模型时,模型的设计会过度依赖于研究人员的主观处理,模型的组成也较为单一,此类模型对投资者心理、宏观政策等高度复杂的信息所引发的波动也不能及时捕捉。而随着大数据时代的到来,诸多学者对基于金融高频数据的已实现波动率进行了研究和预测,虽然高频数据相较低频数据包含了更多的交易信息,但其也包含了更多市场微观高频数据噪声以及更复杂的非线性特征,如若不对这些高频数据噪声进行处理,可能对预测结果产生不可估量的影响。所以而为了更好的对基于金融高频数据的已实现波动率更好的进行刻画,首先需要去除市场微观数据噪声的影响,再对波动率中的非线性特征进行学习。基于以上背景,为了更好的提取金融市场的日内高频交易信息,在保留日内交易信息的同时保留数据波动特征的基础上,利用深度学习...

【文章页数】：62 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
1 绪论
    1.1 研究背景与研究意义
        1.1.1 研究背景
        1.1.2 研究意义
    1.2 国内外研究现状
        1.2.1 波动率研究现状
        1.2.2 信号处理算法研究现状
        1.2.3 文献述评
    1.3 研究内容
    1.4 研究创新点
2 相关基础理论
    2.1 波动率相关理论
        2.1.1 波动率的界定
        2.1.2 波动率的分类
        2.1.3 波动率的特性
    2.2 变分模态分解(VMD)
    2.3 循环神经网络(RNN)与长短期记忆神经网络(LSTM)
        2.3.1 循环神经网络(RNN)
        2.3.2 长短时记忆神经网络(LSTM)
    2.4 Wide&Deep模型
3 组合预测模型的构建
    3.1 实验环境及数据处理
        3.1.1 实验环境与数据来源
        3.1.2 已实现波动率的计算
    3.2 组合预测模型搭建
        3.2.1 数据噪声处理
        3.2.2 预测主体模型构建
        3.2.3 预测模型超参数优化
    3.3 模型评价指标体系构建
4 沪深300指数已实现波动率预测分析
    4.1 基于VMD-Wide&Deep-LSTM组合模型的波动率预测
    4.2 基于长短时记忆神经网络的波动率预测
    4.3 基于BP神经网络的波动率预测
    4.4 预测方法整体评价
5 总结与展望
参考文献
后记



本文编号：3833819