基于LASSO-LSTM-CNN混合模型的中国能源指数预测研究

伴随着经济的高速发展,中国已成为全球一次性能源消费量最大的国家。能源兼具商品属性和金融属性,为积极应对能源危机和金融风险,中国积极转变经济增长方式,倡导绿色发展新理念。能源行业股票价格是能源市场利益相关者博弈最直接、最有效的反应,能源价格波动具有溢出效应、非对称效应和聚集效应。以我国能源指数为研究对象,通过引入深度学习技术,将高频数据和低频数据有机结合成预测大数据集,创新地构建LASSO-LSTM-CNN深度学习混合模型,预测精准度得到显著提升。研究结果显示,中长期预测可将LASSO-LSTM或LASSO-LSTM-CNN修改为多步输出的静态预测,其效果显著优于动态预测,精准度和泛化能力均有提升;但对于长期预测,由于高频数据的解释能力逐渐变弱,因此要综合考虑是否使用高频数据。我国应从生态视角认识能源在产业链中的基础与核心作用,积极发展绿色清洁能源。同时,充分利用LASSO和LSTM-CNN模型的优势,有效提升能源指数预测的准确性,为金融决策提供重要参考;在中期预测中充分考虑高频数据对预测能力的正向影响,而在中长期预测中谨慎应用高频数据。

金融科技发展会提升金融稳定性吗?——基于宏观审慎监管有效性的视角

金融科技已逐渐成为国内金融业转型升级的新引擎,但也引致“涉众太广而不能倒”等一系列难题,对金融稳定具有重要影响。本文基于宏观审慎监管有效性视角,用系统性金融风险测度金融稳定,分析金融科技发展对系统性金融风险的影响及作用机制。结果表明:金融科技发展会增加系统性金融风险,且具双门槛性质;传染性是风险传递的中介机制;单一实施宏观审慎政策对系统性金融风险效果有限,但宏观审慎政策可以有效缓释金融科技对系统性金融风险的影响,在经济下行区更加明显。研究结论为金融科技发展和监管提供了有益的经验证据和政策启示。

基于DTW-K-means模型的银行地产股价波动聚类分析

银行股和房地产股在我国资本市场中都处于重要地位,行业间和行业内业务关联性高,波动也呈现出一定的规律性和相似性。本文以16家银行股和9家房地产股为研究对象,计算已实现波动率,并将K-means模型拓展为适用于时间序列的DTW-K-means,对波动进行聚类。结果表明,DTW聚类模型可以有效发现银行和房地产股价波动聚集特征,将有类似波动的企业聚在一起,也可区分具有独特风险特征的银行或企业。本文结论可为监管决策部门了解银行与房地产之间的关联提供数据借鉴,为分类实施监管政策提供参考。