基于人工智能方法的股票市场极端风险预警模型实证研究

发布时间：2020-10-20 08:59

　　 伴随经济全球化的发展,各国股票市场极端风险频繁发生,产生极大的危害。因此,建立合理的股票市场极端风险预警机制尤为重要,具有较高的现实意义。但股票市场是一个错综复杂的整体,受到多方面的影响,市场间常出现“异常”现象,其数据表现出复杂的非线性关系,这会对建立极端风险预警模型造成不利影响。在这样的背景下,人工智能方法得到了更多学者的青睐,其能够较强的处理数据间的非线性问题。深度学习是人工智能领域中受到学者关注的一个领域,应用十分广泛。目前,国内鲜有基于深度学习技术的股票市场极端风险预警研究。本文将深度学习方法中深度全连接神经网络(DNN)、长短期记忆网络(LSTM)引入股票市场极端风险预警,建立稳定、有效的模型,对我国股票市场极端风险进行预警。本文以沪深300市场作为研究对象,首先,利用多分形方法界定股票市场状态特征指标变量,从市场内外两方面来筛选风险特征指标,对其进行主成分分析(PCA)得到市场风险特征指标变量,组成风险预警指标。然后,建立DNN、LSTM股票市场极端风险预警模型,进行分析评估,并将模型用于沪深300市场极端风险预警当中。研究表明,DNN、LSTM极端风险预警模型在我国股票市场表现出良好的稳定性,均能对我国股票市场极端风险进行科学、有效的预警,具有较高的现实意义。
【学位单位】：首都经济贸易大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：F832.51;F49
【部分图文】：

首都经济贸易大学硕士学位论文132.1.2风险特征指标变量的提取为了更好的体现深层次的动态关系和变量间的依赖关系，本文选取了49个风险特征指标变量，但是，对于机器学习模型来说，大量的变量会导致维数诅咒问题，影响模型的泛化能力，接下来，本文将利用主成分分析法对风险特征指标变量进行进一步提取，选择最具影响力和代表性的输入，将其数量限制在一定的范围内。目前，学者们主要使用t-检验、k-s检验等方法提取特征指标，但这种方法不能很好的处理不同指标间的相依关系。本文利用主成分分析法(PrincipalComponentAnalysis，PCA)来对特征指标进行提龋选用PCA方法有以下两个优点，第一，通过几个主成分综合体现了多个指标。第二，将多个指标转化为几个不存在相关性的主成分，并且具有原数据的大部分信息，解决了指标的共线性问题。因此，对风险特征指标进行必要的处理十分重要，能够提升DNN、LSTM模型的收敛性和准确率。本文接下来对所筛选的49个指标进行主成分分析，按照内部因素和外部因素划分为共线性较高的两组，分别采用SPPS软件进行主成分分析。对内部因素风险特征指标进行主成分分析，得到6个主成分，f1、f2、f3、f4、f5、f6，累积方差贡献率为79.814%，通过方差极大法对得到的结果矩阵进行旋转，结果反映了每个主成分主要体现的风险特征指标，如下图2.1所示。图2.1组1正交旋转后的投入指标因子负载矩阵图2.1内部因素组正交旋转后的投入指标因子负载矩阵

本文通过沪深300指数5分钟高频数据进行实证分析，指数交易行情数据来源于RESSET高频数据库。选取的研究样本时间范围从2005年4月8日到2016年12月31日，剔除掉无效的交易日，总共有2706个交易日，129888条高频数据。沪深300每个9:30开盘，11:30休市，中午13:00开盘，15:00休市，一天之中可以产生48个5分钟高频数据。本文将每个交易日(=1,2,3…)的高频交易序列记为{|n=1,2,3,…,48}，每个交易日的收益率R用下式（2.11）进行计算：R=100(lnI,48ln1,48)（2.11）其中I,48代表每日的收盘价。沪深300日收益率序列如下图2.3所示。图2.3沪深300日收益率序列

第3章股票市场极端风险预警模型的构建20第3章股票市场极端风险预警模型的构建在本章节，本文开始构建DNN、LSTM极端风险预警模型，通过沪深300指数日行情进行实证分析，选取的研究样本时间范围从2005年6月1日到2016年12月31日。沪深300的市值大约占据沪深市场的七成，其成分股具有优良的代表性，并且在样本期间经历了多次“股灾”，具有较大的研究价值，因此，本文选择沪深300指数作为研究标的进行研究，值得一提的是，在样本期间内，本文剔除了所有应休市、闭市等种种原因所造成的数据缺失的情况，最终得到2672条预警指标变量数据。3.1DNN极端风险预警模型的构建DNN深度全连接神经网络（DeepNeuralNetworks，DNN）是深度学习重要的基础算法，之所以称为“深度”是因为DNN拥有多个隐含层，层数越深DNN对现实的表达能力就会越强，深度学习是机器学习领域的一个重要分支，近年来受到学者的广泛关注。图3.1DNN结构图如图3.1简单展示了一个单隐含层DNN神经网络，DNN的基本结构分为3层：输入层、隐含层、输出层，层与层之间都是全连接的，每一个神经元都包括一个线性关系z=∑+=1（3.1）和激活函数σ()，每个神经元都包括线性相关系数和偏移量两个参数。DNN能够通过多个隐含层，对输入的特征进行抽象，通过抽象特征得到最终的结果，这个过程称之为特征学习，是DNN的核心。通过这种模式，DNN能够学习到人工筛选特征难以得到的隐含特征，能够很好的降低数据之间的非线性关系，提高模型的表达能力。在股票市场中存在大量“异常”现象，数据之间充满复杂的非线性特征，使用DNN建立股票市场极端风险预警模型能够更好的对金融数据间的非线性关系进行处理，提高模型效果，更加科学、有效的对我国股票市场极端风险进行预警。
【相似文献】

相关期刊论文 前10条

1 吴卫星;尹豪;;工作满意度与股票市场参与[J];经济科学;2019年06期

2 李永森;;中国股票市场对外开放进入下半场[J];中国外汇;2019年20期

3 朱海城;;晚清外商股票市场[J];中国金融;2018年21期

4 郑顺阳;;中国股票市场流通性价值分析[J];全国流通经济;2018年31期

5 乔宇航;;我国股票市场的发展对经济的影响[J];广西质量监督导报;2018年10期

6 陈健;曾世强;;中国股票市场振兴问题研究[J];时代金融;2019年11期

7 刘显平;唐绍欣;;中国股票市场的特征、问题及发展建议[J];中国经济报告;2019年06期

8 耿睿思;;我国股票市场发展探究[J];中国国际财经(中英文);2018年03期

9 段亚东;梁泽淦;;国际油价下跌对我国股票市场的影响[J];品牌研究;2018年02期

10 王蓬;;加拿大政策利率对多伦多股票市场的影响[J];财经问题研究;2018年05期

相关博士学位论文 前10条

1 麻露;中国股票市场的跳跃行为及其风险研究[D];厦门大学;2017年

2 于江宁;开放式基金业绩与基金流量研究[D];上海交通大学;2016年

3 杨少华;价差波动约束下的最优统计套利策略研究[D];辽宁大学;2018年

4 邬松涛;基于多元信息人工股票市场的股票关联网络研究[D];东南大学;2018年

5 石玉山;股票质押率测算研究[D];上海交通大学;2017年

6 邓增洪;中国股票市场主要参与者行为特征研究[D];武汉大学;2013年

7 阙紫康;中国股票市场制度效率研究[D];中国社会科学院研究生院;2002年

8 王兰军;中国股票市场功能演进与经济结构战略性调整研究[D];西南财经大学;2002年

9 林志毅;股票市场会计信息披露制度相关问题研究[D];厦门大学;2000年

10 林平忠;宏观经济政策目标与股市调控策略实证研究[D];厦门大学;2003年

相关硕士学位论文 前10条

1 李庆航;基于人工智能方法的股票市场极端风险预警模型实证研究[D];首都经济贸易大学;2019年

2 周久强;交易者杠杆、异质信念与股市崩盘[D];武汉大学;2019年

3 龚丹娜;经济政策不确定性对开放式股票基金资产流动性影响实证研究[D];湖南大学;2019年

4 唐一丁;基于面板分位回归的欧盟碳交易体系对股票市场影响研究[D];湖南大学;2019年

5 龙文秀;基于深度学习的股票指数预测研究[D];湖南大学;2019年

6 程智胜;股票市场突发行为的数据挖掘[D];华中师范大学;2019年

7 高红;基于Spark MLlib的股票数据分析研究[D];华北电力大学(北京);2019年

8 王玉秀;基于机器学习技术的股票投资研究[D];对外经济贸易大学;2019年

9 李勇;基于深度神经网络的股票智能预测系统的设计与实现[D];西北大学;2019年

10 王若愚;上市公司大股东化解股票质押平仓风险案例分析[D];江西财经大学;2019年

本文编号：2848484