金融实务论文提纲

2022-11-15

论文题目：基于HAR-NN混合模型的股价波动率预测研究

摘要：金融市场是国家经济发展水平的晴雨表,能够反映经济发展状况。金融市场的稳定发展,在指导和促进经济发展方面起着尤为关键的作用。但随着全球化进程的推进,金融危机事件频发,金融市场的风险日益增加,在此背景下,预防金融市场风险的任务变得愈发重要。波动率是衡量金融市场风险的关键变量,建模和预测金融市场资产收益波动成为了金融实务界和学术界的研究焦点。有效地衡量波动率是金融资产风险研究的关键,早期的波动率研究主要运用ARCH和GARCH等波动率模型,这类模型基于日内低频数据构建。但是低频数据损失了大量信息,模型的预测效果并不理想。目前,随着计算机电子技术与通信技术的推进,数据可获得性提高,计量模型也更为精确。一方面,通过数据库可以获得日内高频数据,最大程度利用市场信息;另一方面,神经网络系统模型日渐成熟,该系统能够模拟人体神经元功能,具有较强的自主性和自适应性能力,这为进一步研究金融市场资产收益波动率提供了一种新的手段。因此,本文将基于日内高频数据,建立神经网络系统模型,以研究股市已实现波动率。本文选择上证综合指数的5分钟高频收盘价数据为研究对象,用于测度已实现波动率。首先,考虑到我国金融市场具有明显的异质性特征,论文建立HAR-RV、HAR-RV-J、HAR-RV-CJ这三种HAR族模型,用以研究异质性对金融市场波动的影响;其次,论文进一步建立了三类递归神经网络和HAR的混合模型:HAR-NN、HAR-J-NN、HAR-CJ-NN,递归神经网络系统（Recursive Neural Network,RNN）具有按照时间顺序学习记忆信息的功能,能够用来描述时间序列的长记忆性特征;最后,运用MCS检验方法对模型拟合结果进行评价,判断加入了“跳跃”的HAR族模型和神经网络混合模型是否能提高模型的预测精度。实证研究结果表明:（1）通过对样本数据做描述性统计分析,上证指数的已实现波动率序列不仅具有高峰厚尾及波动聚集现象,且序列平稳、不服从正态分布。基于此,本文首先构建基于高频数据的HAR族模型用以刻画已实现波动率,并得到各HAR族模型的估计参数。进一步对各已实现波动率序列做Pearson相关系数检验,结果表明已实现波动率和跳跃等各时间序列变量,均呈现正向且显著的相关关系,说明以跳跃成分作为已实现波动率的解释变量,具有一定的合理性,因此使用此模型预测波动率是有意义的。（2）在HAR族模型中,加入跳跃的HAR-RV-CJ模型对已实现波动率的预测效果最好;在HAR族模型的基础上,构建了基于HAR的神经网络混合模型,加入跳跃的HAR-J-NN的神经网络混合模型的预测效果较优。证明加入跳跃作为解释变量可以更好地测度已实现波动率。（3）在基于HAR的神经网络混合模型中,替换激活函数,发现神经网络混合模型在运用tanh激活函数和运用sigmoid激活函数时,采用tanh激活函数的网络波动率模型预测效果较优。依据本文实证研究结果有以下两点提议:第一,投资者应当充分利用高频数据,建立合理有效的波动率预测模型,捕捉金融市场的波动,准确刻画金融市场的已实现波动率,以降低市场风险。第二,监管部门应当从对上证指数已实现波动率的描述和预测方法中,找出规律,并与国内其他市场的指数波动规律进行对比,发现股票市场发展中存在的跳跃现象,并及时采取对策以确保股票市场健康发展。

关键词：已实现波动率;跳跃;HAR-RV;递归神经网络;MCS检验

学科专业：金融（专业学位）

摘要

Abstract

第1章绪论

1.1 研究背景、目的及意义

1.1.1 研究背景

1.1.2 研究目的

1.1.3 研究意义

1.2 国内外研究现状

1.2.1 关于高频数据测度已实现波动率的研究

1.2.2 关于神经网络模型测度已实现波动率的研究