遗传门限GARCH模型及其应用研究

论文摘要

在金融时间序列分析中,GARCH模型适合描叙金融时间序列的异方差性,而门限模型(门限自回归或门限ARMA模型)能较为精确地刻画序列的非线性规律。本文结合两者优点建立了门限GARCH模型,基于门限GARCH模型结构参数需要一连串的系数,有效的方法就是利用遗传算法来搜索结构参数空间。遗传算法是模拟种群的进化适者生存法则,它在处理大量离散型数据方面效果十分理想,能有效避免陷入局部最优解,故搜索范围更广,适应性更强,效率更高,效果更好,能克服传统的H.Tong方法、D.D.C法和局部搜索法的一些缺陷。本文选用2003年1月2日到2011年1月10日共1945个上市日上证综合指数,从实证研究结果中通过比较发现,门限GARCH模型拟合及预测精度在处理数据上略有优势,较适合描叙非线性规律;而且,由于随机性的存在,使得所建模的模型不一,丰富多变,便于决策者从中选取合适的模型进行时序分析和金融解释。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 背景
• 1.2 国内外研究现状及其意义
• 1.3 本文的研究内容和创新之处
• 第二章 遗传算法和异方差模型
• 2.1 遗传算法的概述
• 2.1.1 遗传算法的基本定义
• 2.1.2 选择机制与遗传算子
• 2.1.3 遗传适应度、初始化和参数值
• 2.1.4 遗传编程
• 2.2 条件异方差模型
• 2.2.1 ARCH 模型
• 2.2.2 GARCH 模型
• 第三章 门限GARCH 模型和算法的设计
• 3.1 门限GARCH 模型的建立
• 3.2 门限遗传算法的思想
• 3.3 定阶准则
• 第四章 实证应用研究
• 4.1 数据选择
• 4.2 基本时间序列分析
• 4.2.1 ARMA（ARIMA）拟合及其检验
• 4.2.2 条件异方差（GARCH）拟合及其检验
• 4.3 遗传算法确定参数
• 4.4 门限GARCH 模型拟合
• 第五章 结论和启发
• 参考文献
• 附录
• 致谢
• 攻读硕士学位期间发表的论文