金融市场VaR风险与价格信息预测 ——基于FIGARCH-EVT、FIGARCH-ANN

论文摘要

金融市场是一个复杂的非线性动态系统,金融数据中包含着许多信息,借用适当方法对金融数据进行分析与预测,是一个具有挑战性的研究领域,有着极高的市场价值。风险信息和价格信息是金融信息的两个重要方面,预测金融风险有助于保障金融市场安全,预测资产价格可以帮助投资者获取投资收益。论文针对金融信息预测的这两个方面进行了一些研究。实际中金融资产的回报序列有以下特点:①资产回报分布的厚尾性,金融资产回报序列的实际分布比正态分布在尾部明显更厚;②资产回报波动的异方差性,回报的波动一段时间很大而一段时间很小,呈现出集聚性;③资产回报波动的长期记忆性,即市场对波动的冲击要持续一段时间才会消失。利用FIGARCH模型有效处理波动异方差性和长期记忆性、极值理论（EVT）方法准确拟合资产回报厚尾分布的优势,论文提出了能反映资产回报厚尾性、资产回报波动异方差性和长期记忆性的VaR风险预测模型——基于FIGARCH-EVT的动态VaR模型。将金融市场的重要特征——波动作为输入变量,融入神经网络模型,可以改进神经网络预测金融资产价格趋势的准确性。论文选用FIGARCH模型估计的条件方差代表波动,然后与资产回报的滞后历史值一起作为输入变量,以资产回报的当天值作为输出变量,建立基于FIGARCH-ANN的金融价格信息预测模型,减小预测的错误率。最后用上海股票市场上证综合指数从1995年1月1日到2007年5月17日的每日收盘价时间序列对模型进行实证分析,结果表明基于FIGARCH-EVT的动态VaR模型能较好地处理上证综合指数回报序列的三大特点,比基于GARCH-N和基于静态EVT的VaR模型更能准确地度量其VaR风险;在预测上综指价格趋势时,基于FIGARCH-ANN的价格信息预测模型比基于GARCH-ANN和没有加入波动信息作为输入变量的价格信息预测模型有更高成功率。

论文目录

• 摘要
• ABSTRACT
• 1 绪论
• 1.1 选题的背景
• 1.2 选题的意义
• 1.2.1 金融市场风险信息预测的意义
• 1.2.2 金融市场价格信息预测的意义
• 1.3 本文的研究目的和主要工作
• 1.4 本文的结构安排
• 2 金融风险
• 2.1 金融风险
• 2.1.1 金融风险的含义
• 2.1.2 金融风险的特征
• 2.2 金融风险测度方法
• 2.3 金融市场VaR 风险
• 2.3.1 VaR 模型的基本概念
• 2.3.2 VaR 计算的基本原理
• 2.3.3 VaR 方法的优缺点
• 2.3.4 VaR 研究的现状综述
• 3 基于FIGARCH-EVT 的非线性动态VaR 模型
• 3.1 基于FIGARCH 模型的条件方差预测
• 3.1.1 GARCH 模型简介
• 3.1.2 FIGARCH 模型
• 3.2 极值理论
• 3.2.1 极值理论简介
• 3.2.2 POT 方法
• 3.2.3 BM 方法
• 3.3 基于FIGARCH-EVT 的非线性动态VaR 模型
• 3.3.1 基于FIGARCH-EVT-POT 的VaR 模型
• 3.3.2 基于FIGARCH-EVT-BM 的VaR 模型
• 3.3.3 模型的计算步骤
• 3.3.4 VaR 的后验测试
• 4 金融市场价格信息预测
• 4.1 金融市场价格信息的分析方法
• 4.1.1 基础因素分析法
• 4.1.2 图表技术分析法
• 4.2 金融市场价格信息的预测方法
• 4.3 本文的方法与思路
• 5 基于FIGARCH-ANN 的价格信息预测模型
• 5.1 神经网络简介
• 5.1.1 神经元模型
• 5.1.2 多层前向网络模型
• 5.2 基于FIGARCH-ANN 的预测模型
• 5.2.1 模型的建立步骤
• 5.2.2 神经网络的设计
• 6 上海股票市场的实证分析
• 6.1 样本的选取与处理
• 6.1.1 数据说明
• 6.1.2 数据的性质
• 6.2 条件方差预测
• 6.3 标准残差尾部分布的拟合
• 6.3.1 基于EVT-POT 的标准残差尾部分布拟合
• 6.3.2 基于EVT-BM 的标准残差尾部分布拟合
• 6.4 VaR 后验测试
• 6.5 上综指价格信息预测
• 7 结论与展望
• 7.1 主要结论
• 7.2 后续研究工作的展望
• 致谢
• 参考文献
• 附录