數(shù)據(jù)驅(qū)動(dòng)的股指收益率與波動(dòng)率的預(yù)測(cè)方法研究.pdf

1、我國(guó)的股票市場(chǎng)還處在成長(zhǎng)階段，因此有著其固有的特殊性。由于股市的不規(guī)范所帶來(lái)的各種虛假信息，更是讓投資者對(duì)股票價(jià)格的走向難以進(jìn)行判斷，從而損失許多利益。因此在金融市場(chǎng)中，特別是股票市場(chǎng)中，通過(guò)數(shù)據(jù)的分析及處理來(lái)探討其內(nèi)在的運(yùn)行規(guī)律刻不容緩。而股票價(jià)格波動(dòng)的背后定然存在著一些潛在的必然規(guī)律，且這些規(guī)律來(lái)調(diào)配股票的價(jià)格。因此，問(wèn)題的焦點(diǎn)就集中在如何去尋找這些潛在的規(guī)律，這才是目前需要進(jìn)行進(jìn)一步去研究和探討的重點(diǎn)。近些年，基于數(shù)據(jù)處理和分析的

2、預(yù)測(cè)理論在金融市場(chǎng)發(fā)揮的作用越發(fā)明顯，通過(guò)本文的具體研究，可以有效地運(yùn)用數(shù)學(xué)模型將信息進(jìn)行數(shù)學(xué)化的描述和分析，體現(xiàn)數(shù)據(jù)的變化趨勢(shì)，挖掘潛在的固有規(guī)律等重要信息，從而為管理者以及投資者提供可靠的依據(jù)。
　　本文運(yùn)用數(shù)值分析理論、統(tǒng)計(jì)回歸理論、智能優(yōu)化理論等來(lái)解決金融領(lǐng)域的預(yù)測(cè)問(wèn)題。從形式上說(shuō)是給出了解決金融領(lǐng)域的問(wèn)題的三類(lèi)方法體系，從本質(zhì)上理解，則是選取三個(gè)不同視角為切入點(diǎn)解決金融領(lǐng)域的預(yù)測(cè)。即數(shù)值分析理論主要解決預(yù)測(cè)過(guò)程中的計(jì)算過(guò)

3、程的復(fù)雜性，統(tǒng)計(jì)回歸理論聚焦消除預(yù)測(cè)過(guò)程中的影響變量的多重性，智能優(yōu)化理論重點(diǎn)針對(duì)預(yù)測(cè)過(guò)程中的模型參數(shù)的優(yōu)化性。在不同的金融數(shù)據(jù)類(lèi)型下，采用不同的模型體系，只有“因人而異”才可以起到“藥到病除”的效果。在具體的研究中，本文在簡(jiǎn)要地分析數(shù)據(jù)分析理論對(duì)促進(jìn)科學(xué)預(yù)測(cè)的重要性，闡述科學(xué)預(yù)測(cè)在金融業(yè)，特別是股票市場(chǎng)中的重要性和必要性，以及論述金融預(yù)測(cè)模型的研究的國(guó)內(nèi)外現(xiàn)狀及其存在的問(wèn)題的基礎(chǔ)上，把灰色預(yù)測(cè)模型，偏最小二乘回歸預(yù)測(cè)模型，時(shí)間序列預(yù)測(cè)

4、模型和智能優(yōu)化預(yù)測(cè)模型應(yīng)用到金融領(lǐng)域的實(shí)踐中去。
　　本文的具體研究?jī)?nèi)容和創(chuàng)新性工作如下:
　　一、在已有的傳統(tǒng)灰色模型基礎(chǔ)上，提出利用強(qiáng)化和弱化緩沖算子對(duì)原始數(shù)據(jù)序列進(jìn)行數(shù)據(jù)進(jìn)行預(yù)處理的策略，從而得到一組較為平緩的數(shù)據(jù)序列用于GM(1，1)預(yù)測(cè)模型的輸入，然后分別利用組合插值和三次樣條插值對(duì)傳統(tǒng)GM(1，1)模型的背景值進(jìn)行改進(jìn)，以獲得新的預(yù)測(cè)模型。最后利用本章的預(yù)測(cè)方法對(duì)上證指數(shù)日收益率進(jìn)行仿真實(shí)驗(yàn)，結(jié)果表明，本章方法克

5、服了受沖擊擾動(dòng)數(shù)據(jù)影響的問(wèn)題，并且具有更高的模擬和預(yù)測(cè)精度。
　　二、在William Sharpe提出的資本資產(chǎn)定價(jià)模型(CAPM)基礎(chǔ)上，提出在多因子情況下遇到多重共線(xiàn)性問(wèn)題時(shí)，一種新的解決這種困難的方法，即偏最小二乘的二次多項(xiàng)式回歸方法。該方法不僅考慮每個(gè)因素對(duì)收益的影響，還可以考慮到影響因素之間的相互作用對(duì)收益的影響，從而更加全面的分析影響資產(chǎn)回報(bào)率的因素。另外，我們還把偏最小二乘支持回歸理論與支持向量回歸理論結(jié)合，解決中

6、國(guó)股票市場(chǎng)的多影響因子的優(yōu)化問(wèn)題，克服各因子間的多重共線(xiàn)性的干擾，從而篩選出影響股票收益回報(bào)率的重要因素變量，為股市的技術(shù)分析提供一個(gè)可信的工具。
　　三、考慮到SVR的算法過(guò)程中的由于不敏感損失函數(shù)中的ε、懲罰因子C和徑向基函數(shù)中的σ2這三個(gè)參數(shù)取值的不同，則會(huì)導(dǎo)致支持向量回歸模型不同的。故而在支持向量回歸的理論基礎(chǔ)上，結(jié)合我國(guó)經(jīng)濟(jì)運(yùn)行的基本特點(diǎn)，汲取支持向量回歸和群智能算法的優(yōu)點(diǎn)，分別提出通過(guò)控制誤差ε的取值，對(duì)偏最小二乘支持

7、向量回歸模型中參數(shù)集（C，σ2）采用帶有RBF核的遺傳算法進(jìn)行近似尋優(yōu)，之后采用偏最小二乘支持向量回歸對(duì)上證綜指收益率進(jìn)行預(yù)測(cè)，算法對(duì)存在高度的非線(xiàn)性、耦合性的金融數(shù)據(jù)，有著良好的適應(yīng)性，從而確保了預(yù)測(cè)的精度。
　　四、針對(duì)金融數(shù)據(jù)的非線(xiàn)性和不確定等特性，借助模糊邏輯系統(tǒng)，提出一種新的金融市場(chǎng)波動(dòng)率的預(yù)測(cè)方法-模糊FEGARCH模型，用來(lái)更好的應(yīng)對(duì)具有非線(xiàn)性特性的收益率數(shù)據(jù)進(jìn)行預(yù)測(cè)。其次，為了判斷分布型模型和不對(duì)稱(chēng)型模型對(duì)預(yù)測(cè)精度

8、的影響程度，分別采用分布型和不對(duì)稱(chēng)型與模糊FEGARCH)的波動(dòng)模型進(jìn)行預(yù)測(cè)比較。另外，綜合智能算法和時(shí)間序列的優(yōu)點(diǎn)對(duì)股票波動(dòng)率進(jìn)行預(yù)測(cè)，利用加權(quán)最小二乘支持向量回歸模型進(jìn)行初步預(yù)測(cè)，然后利用EGARCH模型對(duì)加權(quán)最小二乘支持向量回歸的預(yù)測(cè)誤差后進(jìn)行修正，通過(guò)EGARCH模型來(lái)估計(jì)預(yù)測(cè)模型的擬合誤差及其分布規(guī)律，得到最終的上證綜指波動(dòng)率預(yù)測(cè)值。最后，對(duì)上述兩種方法的預(yù)測(cè)結(jié)果的采用的SPA檢驗(yàn)方法，該方法的優(yōu)點(diǎn)在于可以遍歷對(duì)比每個(gè)模型的所