基于小波和EEMD降噪的沪深300指数波动率预测

发布时间：2020-06-01 19:55

【摘要】：股票指数波动率的预测一直是金融计量领域研究的重要课题,目前股票指数波动率研究使用的数据大多是以分、秒为单位的高频金融数据。但是高频数据自身更易受微观结构效应的影响,所以与日间数据相比要更重视去除数据中的噪声。因而,本文对使用降噪算法提升波动率预测能力展开了较为细致的研究。本文的研究对象为沪深300股票指数,该指数能够同时反映沪深两市的整体变动情况。数据选用从2015年5月18日到2019年1月3日的每5分钟高频数据。首先,本文应用集合经验模态分解(EEMD)分别对日、周和月已实现波动率进行处理,通过显著性检验得到本征模态函数(IMF)的高低频分界点。其次,对高频IMF分量进行小波多分辨分析和单支重构。经过重新整合高低频分量得到降噪后的已实现波动率数据。最后,本文使用异质自回归模型(HAR-RV)完成滚动预测,并将预测结果进行对比与评价。本文的主要结论是:(1)从预测准确度的角度评价,将小波分析和EEMD相结合的算法应用于股票指数波动率的预测模型中能够很好地提升预测准确度,相比于应用原始数据的预测结果,准确度测量函数中误差均下降75%以上,其中根均方误差下降95.65%。(2)从预测股指波动率走势的角度评价,使用降噪算法进行预测的股票指数波动率走势与实际波动率走势一致,而原预测走势具有较为明显的偏差。在大多数区间内,股票指数波动率的基数都比较小,微小的预测误差都很可能影响到后续研究的准确性,所以预测精确度的提高具有重要的研究意义。本文将小波分析和EEMD相结合的降噪算法应用在股指波动率的预测中,为股票数据的处理提供一种了有效的降噪方法,具有重要的理论意义和应用价值。
【学位授予单位】：华侨大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：F832.51;O212.2

【参考文献】

相关期刊论文 前10条

1 余白敏;吴卫星;;基于“已实现”波动率ARFI模型和CAViaR模型的VaR预测比较研究[J];中国管理科学;2015年02期

2 秦喜文;刘文博;董小刚;王纯杰;李纯净;;基于极大重叠离散小波变换的金融高频数据波动率估计[J];吉林大学学报(理学版);2014年06期

3 曲建岭;王小飞;高峰;周玉平;张翔宇;;基于复数据经验模态分解的噪声辅助信号分解方法[J];物理学报;2014年11期

4 张文忠;周蓉;武旭红;薛志宏;;利用白噪声分解特征的EEMD阈值降噪方法[J];测绘科学技术学报;2013年03期

5 杨科;田凤平;林洪;;跳跃的估计、股市波动率的预测以及预测精度评价[J];中国管理科学;2013年03期

6 陈浪南;杨科;;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];系统工程理论与实践;2013年02期

7 罗世华;周斌;李颖;;基于小波分析的股市波动的多重分形辨识[J];系统工程理论与实践;2012年11期

8 蔡峗姝;卢志明;;基于经验模态分解的上证综合指数时间序列分析[J];上海大学学报(自然科学版);2012年04期

9 唐勇;寇贵明;;股票市场微观结构噪声、跳跃、流动性关系分析[J];中国管理科学;2012年02期

10 肖燕君;张华;任若恩;;基于小波多尺度分析的股票价格组合预测方法[J];工业工程;2011年06期

，

本文编号：2691984