金融时间序列的长记忆特性及预测研究

论文摘要

金融系统是现代经济的核心,其复杂性和波动性广泛存在于各国经济体制以及社会发展的各个阶段之中。我国于2001年底加入世界贸易组织,自此我国经济对外开放的步伐逐步扩大,而我国的金融业也于加入WTO五年后全面开放。这既为我们带来了发展机遇,同时也必然面临前所未有的挑战,中国的金融业在影响世界的同时,更多的则是不得不面对来自国际金融市场波动的影响。如何在金融市场国际化进程中抢占先机、采取积极有效的措施应对资本市场的波动成为我国发展金融市场的当务之急。为了能准确刻画金融时间序列的特征,就必须建立符合其特征的预测模型,而时间序列的记忆性则是建模的关键因素之一。对金融资产价格的记忆性进行研究是对其本质特征的研究,不但可以为监管层的政策制定和宏观调控提供可靠依据,还能够为机构和个人投资者提供实践指导。根据金融资产价格的特点进行投资决策,兼顾考虑市场的长、短期相关性的影响,才能抓住市场的本质,及时调整投资组合、规避风险。基于此,本文的主要创新点如下:1、同时运用R/S法、修正R/S法和V/S法对金融时间序列进行长记忆性分析。从时间和事件的角度对金融时间序列的长记忆性的影响进行了实证研究,结果表明不同的时间段和时间的选取会得到不同的检验结果。并对V/S分析法的短期敏感度进行了实证分析。2、以传统GM模型和ARMA模型为基础,利用IGM（1,1）模型来估计由ARFIMA（p,d,q）模型得到的模拟序列和真实值之间的偏差,提出了用来刻画长记忆金融时间序列的均值方程IGM-ARFIMA模型。通过对金融时序数据的预测研究表明改进后模型的预测效果优于原预测模型。3、以GM-GARCH模型为基础,针对长记忆性金融时间序列的波动率预测,利用IGM（1,1）模型对FIGARCH模型中的随机误差项加以修正,建立IGM-FIGARCH模型,即利用IGM（1,1）模型对FIGARCH模型中的随机误差项进行预测,然后将预测值加入到FIGARCH模型中,以修正不确定性因素产生的影响。实证研究表明IGM-FIGARCH模型优于GM-GARCH模型。4、对基本反馈型Elman网络进行改进,将其与相空间重构技术相结合,构建反馈型混沌神经网络,并对股票指数进行实证研究。结果表明多变量混沌神经网络的预测效果优于单变量混沌神经网络。

论文目录

• 中文摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景
• 1.1.1 对传统金融理论基石的质疑
• 1.1.2 分形与分形市场假说的建立
• 1.2 研究意义
• 1.3 国内外相关领域的研究现状及存在的问题
• 1.3.1 国内外相关领域的研究现状
• 1.3.2 存在的问题
• 1.4 论文的主要内容和创新点
• 第二章 金融时间序列的长记忆性及其相关理论
• 2.1 金融时间序列长期记忆性及相关模型
• 2.1.1 金融时间序列长记忆性的检验方法
• 2.1.2 金融时间序列的均值和波动率模型
• 2.2 灰色预测理论
• 2.2.1 灰色系统理论的提出与发展
• 2.2.2 灰色系统的原理
• 2.2.3 灰色预测模型
• 2.2.4 灰色组合预测模型
• 2.3 人工神经网络理论基础
• 2.3.1 神经网络的概念
• 2.3.2 几种常用的神经网络
• 2.4 时间序列的混沌分析法
• 2.4.1 时间序列的混沌检验方法
• 2.4.2 时间序列的混沌预测方法
• 2.5 本章小结
• 第三章 金融时间序列的长记忆性检验
• 3.1 世界主要股票指数及汇率的长记忆性检验
• 3.1.1 数据的预处理及正态性检验
• 3.1.2 长记忆性的检验比较
• 3.2 时间和事件对长记忆检验结果的影响
• 3.2.1 时间对检验结果的影响
• 3.2.2 事件对检验结果的影响
• 3.3 V/S分析法的短期敏感度分析
• 3.4 本章小结
• 第四章 灰色长记忆模型及其实证研究
• 4.1 改进的灰色预测模型IGM（1,1）的建立
• 4.1.1 基本灰色预测模型GM（1,1）
• 4.1.2 改进的灰色预测模型IGM（1,1）的建立
• 4.2 基于IGM（1,1）的长记忆金融时序建模及实证研究
• 4.2.1 IGM-ARFIMA模型的建立
• 4.2.2 IGM-ARFIMA模型的实证研究
• 4.3 基于 IGM（1,1）的长记忆金融时序波动率建模及实证研究
• 4.3.1 IGM-FIGARCH模型的建立
• 4.3.2 IGM-FIGARCH 模型的实证研究
• 4.4 本章小结
• 第五章 基于神经网络和相重构的长记忆金融时序预测研究
• 5.1 Elman神经网络的基本原理
• 5.1.1 Elman神经网络的结构
• 5.1.2 Elman神经网络的学习算法
• 5.2 改进的Elman神经网络
• 5.3 基于相空间重构技术的非线性金融时间序列预测
• 5.3.1 时间序列的相空间重构
• 5.3.2 重构相空间中的参数估计
• 5.4 基于改进Elman网络和相重构的金融时序预测实证研究
• 5.4.1 数据的预处理
• 5.4.2 确定相空间重构的参数
• 5.4.3 网络结构的设定
• 5.4.4 网络训练和预测
• 5.5 本章小节
• 第六章 总结与展望
• 6.1 本文总结
• 6.2 工作展望
• 参考文献
• 发表论文和科研情况说明
• 致谢