基于深度学习的金融市场波动率预测模型

波动率在金融投资和风险管理中扮演着至关重要的角色,能够反映金融资产的收益和风险水平,为构建期权量化投资策略和决策以及风险控制提供重要参考指标。然而,波动率具有非线性和长期依赖性问题,如每日变化趋势不稳定,未来变化趋势与历史数据相关等。为解决这些问题,本文基于改进的Transformer构建了波动率预测模型TGC-FinTrans(TCN-BiGRU-CNN Finance Transformer)。实验结果表明,该模型在预测金融数据波动率方面优于其他基线方法,能够更加准确地预测波动率并捕捉金融市场的复杂变化,为投资者提供更为精准的决策参考。

基于深度学习的高频交易金融数据的波动率预测

随着信息化技术的发展,许多在线交易平台都可以提供高频的实时交易数据,为基于大数据的高频交易数据的波动率研究提供了基础。使用机器学习和深度学习算法分析大量的交易数据,建立波动率预测模型,可以帮助投资者更好地把握市场风险和机会,但金融高频交易数据存在大量噪声和非平稳性,导致模型的预测效果不佳。针对以上问题,本文构建了基于降噪自动编码器和不稳定注意力机制的深度学习模型,并利用该模型对高频交易数据波动率预测。实验结果表明该模型相较于常用的机器学习和深度学习方法拥有更准确的预测效果。

基于CEEMDAN和优化LSTM模型的碳价波动率预测研究

本文以北京碳配额交易价格实际波动率为研究对象,构建以自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)和长短期记忆网络(long short-term memory networks,LSTM)为基础的混合预测模型,采用粒子群优化算法(particle swarm optimization,PSO)确定模型结构参数。实验结果证明:该模型具备提取多尺度复杂时间序列波动趋势和有效处理金融时间序列的优点,粒子群算法对预测模型结构参数的优化避免了因参数选取不当导致的拟合问题,该模型在碳价波动率预测方面具备较高的准确性和稳定性。

基于GARCH族模型的收益波动率预测绩效评估方法

GARCH族模型已广泛地应用于金融市场中资产收益波动率的预测。尽管如此,在实际应用中异方差结构的选择是预测建模的一个难题。文章从波动性预测的视角,提出一种高效的半参数方法进行序列结构参数的估计,以减少估计的效率代价对模型绩效评估的影响。此外,使用最小二乘方法评估模型绩效以输出统计意义下的结果,并规避"数据窥察"问题。在实证分析中,以股票市场的收益数据为样本,对6种常见的GARCH族结构进行了实证对比研究,结果发现,与其它GARCH类结构相比,指数GARCH(EGARCH)模型可较好地预测资产收益率的波动过程。

隔夜收益率能提高高频波动率模型的预测能力吗

将隔夜收益率作为解释变量加入到高频波动率模型中,研究其对模型预测精度的影响.以沪深300指数为例,运用样本外预测技术及新颖的模型可信集检验方法,同时选取比RV更为稳健的两尺度已实现波动率为基准波动率,实证研究表明,隔夜收益率对短期波动率存在显著的非对称效应;隔夜收益率能改善各波动率模型的拟合能力,并能显著提高模型的短期预测能力;在预测短、中及长期波动率时,已实现和已实现极差高频波动率模型的预测表现并不一致.

基于贝叶斯因子模型金融高频波动率预测研究

构建了包含时变系数和动态方差的贝叶斯HAR潜在因子模型(DMA(DMS)-FAHAR),并对我国金融期货(主要是股指期货和国债期货)的高频已实现波动率进行预测.通过构建贝叶斯动态潜在因子模型提取包含波动率变量、跳跃变量和考虑杠杆效应的符号跳跃变量等预测变量的重要信息.同时,在模型中加入了投机活动变量,以考察市场投机活动对中国金融期货市场波动率预测的影响.预测结果表明,时变贝叶斯潜在因子模型在所有参与比较的预测模型当中具有最优的短期、中期和长期预测效果.同时,具有时变参数和时变预测变量的贝叶斯HAR族模型在很大程度上提高了固定参数HAR族模型的预测能力.在股指期货和国债期货的预测模型中加入投机活动变量可以获得更好的预测效果.

金融资产收益率波动预测——基于我国股票市场跳跃行为研究

金融资产收益率波动是资产定价和金融风险管理的核心部分,而跳跃是收益率波动中的重要组成部分。基于修正Z-检验,本文检测识别我国股市波动中跳跃行为,并且研究了跳跃的时序特征,统计结果表明,在市场大波动时期,和连续成份相比,跳跃对于波动率具有极其重要的贡献。建立包含跳跃的已实现波动率非齐次自回归模型,在波动模型中纳入滞后绝对日收益率和杠杆效应预测股指收益率波动。实证分析结果显示,对于短期的波动预测,包含跳跃和两种影响因素的波动模型表现最好,然而对于提前1月的长期预测,跳跃和连续波动成份分离模型预测明显优于其它模型,这些事实说明跳跃对股指波动率预测具有重要的影响,好坏消息对波动率非对称性具有短期显著影响,而对长期水平的波动率预测影响不显著。

人民币汇率波动率预测模型的比较研究

以人民币对美元汇率数据为例,运用滚动时间窗样本外预测和SPA检验法,分别对比评估实现波动率和隐含波动率、高频数据和低频数据对未来不同期限波动率的预测能力,并构建反映不同delta值期权隐含波动率平均水平的FVIX指数。结果表明:与实现波动率模型相比,隐含波动率模型的预测能力更高,尤其是基于蝴蝶指标和FVIX指数的隐含波动率模型。使用5分钟高频数据建模能够显著提高短期波动率预测精度,而对于长期波动率,高频数据没有表现出比低频数据更好的预测效果。

基于灰色支持向量机的基金波动率预测研究

鉴于灰色预测方法和支持向量机各自的优点,将灰色预测方法与支持向量机相结合,建立灰色支持向量机模型,并以极差替代收益的标准差度量波动率,运用新模型对深圳基金波动率进行实例分析。通过与v-支持向量机的预测结果对比,发现所提出的模型适合于基金波动率的中短期预测。

基于Expectile和Realized GARCH模型的波动率预测

Realized GARCH模型是预测波动率的经典模型之一,最小化非对称二次损失函数的Expectile对收益率尾部分布更加敏感,我们在Realized GARCH模型的基础上引入Expectile提出Expectile-Realized GARCH模型。以沪深300指数的高频收益率为例建模分析,对比不同模型下的波动率预测效果,发现Expectile-Realized GARCH模型较Realized GARCH模型对波动率预测能力更好。其中,当风险水平为95%时,对应的Expectile-Realized GARCH波动率预测能力最好。

期权交易量能预测波动率吗——来自上证50ETF期权的证据

本文基于上证50ETF期权日交易量,按在值程度构建虚值,平值和实值期权的交易量占比,测试各类期权交易对上证50ETF已实现波动率的预测能力.结果发现虚值期权能显著提升HAR,HAR-CJ模型的波动率预测效果.进一步研究发现,虚值期权中的信息含量主要来自于深度虚值期权,非深度虚值期权对波动率预测效果较弱.相比隐含波动率,深度虚值期权对波动率的样本内拟合和样本外预测效果都更佳.深度虚值期权中,看涨期权的信息含量大于看跌期权,且看涨期权交易量与未来波动率负相关,看跌期权交易量与未来波动率正相关.这些结果表明,信息交易者倾向于使用深度虚值期权交易,而深度虚值看跌和看涨期权与未来波动率的不同关联性恰好与杠杆效应一致.本文的发现可用于改进现有的波动率预测模型,还将有助于完善监管者的风控指标体系.

基于跳跃、好坏波动率的混频已实现EGARCH模型的波动率预测与风险度量

为探究资产价格的跳跃行为和收益波动的非对称效应对波动率预测的影响,以高频数据建模为视角,基于跳跃、好坏波动率将Realized EGARCH-MIDAS模型进行拓展,以提升模型的波动率预测能力与风险度量效果。运用拓展后的模型,以沪深300指数价格高频数据为样本进行实证分析,探究中国股票市场的波动性规律,并采用似然函数、信息准则和基于损失函数的DM与MCS等检验方法,综合比较了改进前后的模型对波动率及风险值的预测效果。实证结果显示:(1)沪深300指数收益的长期波动主要来源于连续波动而非跳跃波动,且受正连续波动影响更大,而负跳跃对波动具有明显的负向冲击;(2)文章提出的拓展模型均能更好地捕捉波动率的长记忆性,在样本内估计和样本外预测上也都有更好的表现,其中同时考虑跳跃与非对称影响的Realized EGARCH-MIDAS-RSJ拓展模型拥有最优的估计及预测效果。

基于多模态投资者情绪数据的USD/CNY汇率波动率预测研究

多模态深度学习可以提升模型性能,而现有研究中汇率波动率的预测仅基于宏观经济指标。因此提出一种多模模态态投汇资率者波情动绪率数预据测的方US法D,/C首N先Y通汇过率L波ST动M率模预型测构模建型外,最汇后投根资据者前情人绪文指数献,另再外结构合建传三统种宏U观SD经/济CN变Y量波,动构率建预基测于多模型进行对比。结果表明,相比朴素贝叶斯方法,LSTM模型在文本分类中表现更优;基于多模态投资者情绪数据的USD/CNY汇率波动率模型预测性能最好。

我国燃油期货市场的波动率预测模型

准确描述和预测石油及其相关产品的价格波动对各国政府能源政策的制定以及能源风险管理工作意义重大。文章以上海期货交易所燃油期货的15分钟高频价格数据为例,实证计算了三类代表性波动率模型:已实现波动率模型、随机波动模型以及GARCH族模型对我国燃油期货价格波动的预测值,同时,采用多种损失函数对比了三类波动率模型。实证结果表明,基于高频数据的已实现波动率模型对我国燃油期货市场具有最好的波动预测精度。而就基于日数据的模型而言,随机波动模型要明显强于GARCH族模型。

基于GARCH簇模型的碳期货波动率预测研究

对金融资产收益波动率的研究是金融学理论的核心内容之一。本文研究了线性、非线性和长期记忆性等多种GARCH模型在不同分布设定下对碳期货波动率的预测效果,样本内的研究发现GARCH类模型能有效刻画碳期货收益率的条件异方差性,且t分布条件下拟合更好;外部冲击对碳期货收益波动率的影响具有持续性和非对称性。对样本外的研究发现,正态分布下的NAGARCH模型在预测碳期货波动率时是最优的。稳健性检验证明了结论是可靠的。

考虑投资者情绪的期权价格隐含信息对波动率预测效果研究

资产价格波动率的预测是金融风险管理以及资产定价的重要内容和关键环节.为有效预测资产收益波动率,本文构建一个考虑投资者情绪的长期波动率预测模型,并在此基础上基于2000-2015年香港股票市场数据对模型有效性进行检验.研究结果表明:第一,投资者情绪是影响波动率预测的关键因素,含有投资者情绪的模型表现更优;第二,在考虑投资者情绪后,基于期权隐含信息的波动率预测模型的优化效果要明显超过基于已实现波动率的模型;第三,风险中性偏度的参数估计结果仅在市场情绪高涨时显著且为正,隐含波动率的参数估计结果会随着投资者情绪的变化而变化.上述研究结论的启示是:第一,投资者在进行投资决策时要充分认识到资产价格被高估的可能性和资产价格波动的不确定性,避免盲从,合理做出投资决策,将投资风险控制在合理范围内.第二,证券监管机构要通过政策引导,对资本市场进行适度的逆向调节,尤其在经济上行期时应加强管制,防止资产价格出现大涨大跌,以稳定投资者预期,避免羊群效应发生.

股指波动率的最小二乘支持向量机预测方法

为了提高金融波动率的预测精度,提出一种将相空间重构技术、最小二乘支持向量机(LSSVM)与变加速系数粒子群优化(PSO_TVAC)算法相结合的波动率预测方法。首先,对原始波动率序列进行相空间重构,判断其混沌特性;其次,利用LSSVM优良的非线性映射特性对重构后的序列进行建模及预测,同时采用PSO_TVAC算法选择LSSVM最优参数。将该方法应用于上证综指股指收益的波动率预测,结果表明,此方法获得了较高的波动率预测精度,为波动率的准确预测提供了一种有益尝试。

基于双因子已实现GARCH模型的波动率预测研究

准确地预测金融市场的波动率对市场管理者和参与者而言都是至关重要的。本文在标准已实现GARCH模型基础上,将条件方差乘性分解为长期方差和短期方差两部分,分别构造包含杠杆函数的长期方差方程和短期方差方程,用以捕捉波动率的长记忆性和短期微观波动。运用上证综指和日经指数的日收盘价、已实现方差和已实现核波动此类高频数据进行实证分析,结果表明:与标准已实现GARCH模型相比,两指数的双因子已实现GARCH模型在样本内表现出更大的似然估计值;通过样本外误差函数分析和DM检验,双因子已实现GARCH模型也取得更好表现。

HAR族模型对波动率的预测精度比较及其SPA检验——基于沪深300指数高频数据

以沪深300指数5分钟高频数据为研究数据基础,旨在提出中国股票市场最好的波动率预测模型。建立基于高频数据的已实现波动率模型,并将HAR族波动率模型作为研究对象,采用动态时间窗的样本外推预测和具有Bootstrap自举统计特性的SPA检验方法,将6种精确的损失函数作为评价准则,全面相互对比了9种波动率模型对沪深300指数5分钟高频数据日(短期)已实现波动率、周(中期)已实现波动率以及月(长期)已实现波动率的预测精度。实证研究结果表明,我国股票市场受到滞后一期的影响,表现出一定的长记忆性,并且平方根形式的HAR-RV-CJ1/2模型对日(短期)已实现波动率的样本外推预测具有最高的精度,对数形式的HAR-RV-CJ-ln模型对周(中期)、月(长期)已实现波动率的样本外推预测的精度最高,对未来的长期波动率有更好的解释能力。

基于状态空间HAR-RV-RS模型的中国股市波动率预测

文章以高频数据下异质自回归(HAR)模型为基础,将模型的部分参数进行时变化处理,利用卡尔曼滤波方法进行参数估计,并引入新的要素——已实现的偏度(RS)作为新解释变量,构造状态空间HAR-RV-RS模型,进行波动率预测研究。文章分别选取了上证综指和深证成指3410个交易日的五分钟高频数据,通过样本内参数估计和样本外滚动时间窗预测,结合损失评价函数与HAR-RV、状态空间HAR-RV进行模型比较。实证研究表明,参数时变化和加入RS后的状态空间HAR-RV-RS模型预测效果有显著提升。