基于Elman-GARCH和因子观点的Black-Litterman模型资产配置

发布时间：2020-05-26 16:00

【摘要】：Black-Litterman模型自20世纪90年代初被提出后,近三十年内得到快速发展,已逐渐被华尔街主流所接受,被广泛应用于国际资产配置.鉴于模型的主观观点和观点误差等设定比较灵活,近年来受到国内学者和机构投资者的青睐和深入关注.本文主要基于Elman神经网络、GARCH模型和因子观点扩展Black-Litterman模型,对上证50指数成分股进行实证分析.本文的框架结构如下:第一章主要阐述了本文的研究背景和意义,并对Black-Litterman模型的国内外相关研究进行文献综述,同时介绍了本学位论文的研究思路与研究内容.第二章简要介绍了本文相关的模型与方法,包括Markowitz模型、Black-Litterman模型及其扩展模型--ABL模型、Elman神经网络和GARCH模型.第三章是实证分析过程.选取上证50指数成分股27只股票作为可自由配置的资产,利用Elman神经网络预测观点收益,并和BP神经网络、灰色BP神经网络进行比较.采用GARCH模型预测观点误差,构建Elman-GARCH-BL模型并进行实证分析.同时,基于该框架引入因子观点构建Elman-GARCH-ABL模型,并对其进行实证研究.第四章是实证结果比较分析.将Elman-GARCH-BL模型的实证绩效和Elman-BL模型及GARCH-BL模型进行了对比.同时,也将Elman-GARCH-ABL模型实证结果和Elman-ABL模型及GARCH-ABL模型进行比较分析;最后,将Elman-GARCH-BL模型和Elman-GARCH-ABL模型的实证绩效对比分析.实证结果表明,本文构建的Elman-GARCH-ABL模型具有一定的优越性,投资绩效更好.
【图文】：

周收益率,自相关

图 3-7A1-A6 周收益率自相关及偏自相关图3.3.4 GARCH 模型的建立与预测3.3.4.1 建立均值方程为消除股票收益率序列的相关性对符合 ARMA 模型先决条件的股票 A1、A5、A7、A8、A12、A13、A14、A19、A20、A23 建立 ARMA 模型. 同时,将具有相关性不适合建立ARMA 模型的股票 A3、A4 和总体相关性不显著但某一阶相关性非常显著的股票 A2、A17、A26 建立自回归方程，其余相关性不显著的股票的均值方程设定为白噪声[43]. 本文仅以 A1建立 ARMA 模型和 A3 设定白噪声为例进行说明.首先尝试 AR 模型和 MA 模型. 通过 A1 周收益率序列的自相关检验图可知，偏自相关系数在 K=3 后快速趋于 0，即 3 阶截尾，可尝试拟合 AR(3)；自相关系数在 K=2 时在 2 倍标准差的置信域边缘，当 K=3 处显著不为零，可以考虑 MA(2)和 MA(3).经过模型识别所确定的阶数，可初步建立 AR(3),MA(3),从而考虑 ARMA(3,3). 为避免疏漏,依次建立ARMA(1，1)、ARMA(2，1)、ARMA(1，2)、ARMA(2，2)、ARMA(3，1)、ARMA(1，3)、ARMA(3，2)、ARMA(2，3)、ARMA(3，3). 综合考虑这些模型的系数是否通过显著性检

模型图,周收益率,股票,模型

收益率序列的相关性对符合 ARMA 模型先决条件的股票 A1、A14、A19、A20、A23 建立 ARMA 模型. 同时,将具有相关性票 A3、A4 和总体相关性不显著但某一阶相关性非常显著的股方程，其余相关性不显著的股票的均值方程设定为白噪声[43]. 型和 A3 设定白噪声为例进行说明.R 模型和 MA 模型. 通过 A1 周收益率序列的自相关检验图可快速趋于 0，，即 3 阶截尾，可尝试拟合 AR(3)；自相关系数在 K边缘，当 K=3 处显著不为零，可以考虑 MA(2)和 MA(3).经过可初步建立 AR(3),MA(3),从而考虑 ARMA(3,3). 为避免疏ARMA(2，1)、ARMA(1，2)、ARMA(2，2)、ARMA(3，1)、AARMA(2，3)、ARMA(3，3). 综合考虑这些模型的系数是否通 SC 准则的值,最终确定 ARMA（3,3）模型为较优选择. 从图 3,3）模型的系数显著性概率均小于 0.01，说明系数高度显著比下是较小的；DW 统计量为 2.065384 是在 2 附近，说明残差
【学位授予单位】：广西师范学院
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：F224;F832.51

【参考文献】