基于人工神经网络的权证定价研究

论文摘要

权证市场是一个高度复杂的非线性动态系统，其变化既有内在的规律性，同时也受市场、经济、非经济等诸多因素的影响。如果能建立客观科学的权证评估方法，对投资者来说将是非常有益的。人工神经网络是一门新兴的边缘学科，与传统权证定价方法（B-S模型）相比，人工神经网络不需要精确的数学模型，没有任何前提与假设，因此可以弥补传统定价方法的不足，解决一些用传统定价方法不能解决的问题。本文应用BP神经网络与遗传算法，选取目前市场上2007年1月1日前上市的所有权证作为研究对象，建立了基于人工神经网络的权证定价模型。采用的分析期间，为各权证上市后连续三个月资料，其中前两个月资料作为学习样本，后一个月资料作为测试样本。标的股价波动率是影响权证价值的一个重要变量，分别对所选24只权证的历史波动率和隐含波动率进行了估计，并将其同时作为BP模型的输入参数，以比较其影响。通过对比分析BP模型与B-S模型，发现不论是使用历史波动率还是隐含波动率，BP模型在定价精确度上均优于B-S模型，且BP模型使用隐含波动率后，整体降低了与市场价格的误差。

论文目录

• 摘要
• ABSTRACT
• 第一章 导论
• 1.1 研究背景及意义
• 1.1.1 研究背景
• 1.1.2 研究意义
• 1.2 研究内容
• 1.3 研究方法
• 1.4 权证定价的相关理论及研究综述
• 第二章 权证基本理论
• 2.1 权证的种类
• 2.2 权证的特征
• 2.3 权证的收益与风险分布
• 2.4 权证定价的影响因素与模型
• 2.4.1 权证价值的一般构成
• 2.4.2 影响权证价值的因素
• 2.4.3 B-S 模型及其扩展
• 2.4.4 B-S 模型存在的问题
• 第三章 人工神经网络与遗传算法
• 3.1 BP 网络结构
• 3.2 BP 网络中的神经元模型
• 3.3 BP 算法的数学公式推导
• 3.4 遗传算法
• 第四章 权证定价的 BP 网络仿真实验
• 4.1 基本思路
• 4.2 样本资料的收集与处理
• 4.2.1 样本的收集
• 4.2.2 样本数据的处理
• 4.3 BP 网络模型的建立、训练
• 4.3.1 BP 模型的建立
• 4.3.2 BP 网络的训练
• 4.4 BP 网络的优化
• 4.4.1 遗传算法的设计
• 4.4.2 优化网络
• 4.5 训练优化后的网络
• 4.6 BP 网络的仿真
• 第五章 BP 模型与 B-S 模型的比较分析
• 5.1 模型精确度评价指标
• 5.2 波动率对权证价格的影响
• 5.3 使用历史波动率的定价模型
• 5.3.1 历史波动率的估计
• 5.3.2 基于历史波动率的模型结果分析
• 5.4 使用隐含波动率的定价模型
• 5.4.1 隐含波动率的估计
• 5.4.2 基于隐含波动率的模型结果分析
• 第六章 结论与展望
• 6.1 结论
• 6.2 研究展望
• 参考文献
• 致谢
• 攻读学位期间主要研究成果
• 附录