论文部分内容阅读
在我国迅猛发展的证券市场的大环境下,金融市场里的证券价格的变化存在的不确定性成为了目前学者越来越喜欢和追逐的热点,对于这种不确定性的研究和实证分析已然是现代金融学者们研究的关键性问题了。在投资证券市场过程中,运用时间序列模型来描述和预测客观的经济过程是非常重要的,因此很多人常常会建立和运用相关的数据模型来系统地分析股票市场。因此,在近些年来ARCH模型发展极为迅速,ARCH模型常常应用来描述和验证金融理论中的规律,并根据这些规律去预测金融市场的趋势,去对金融市场进行分析和决策。ARCH模型的方差方程是线性的,但是在现实的应用中,存在着很多金融数据都具有非线性的特征,这些金融数据有的呈现出非正态,有的呈现非对称周期,还有的是双峰形态和异方差性,甚至是这些特征的混合体等。这样,采用线性的参数ARCH模型将会导致与金融数据真实数据之间产生比较大的建模偏差。非参数模型,可以比线性参数更接近真实数据,但是没有具体的模型形式,因而本文提出一种新的非线性ARCH模型。这种非线性ARCH模型是基于GMDH方法建立的,既可以刻画金融数据的非线性特征,又可以给出具体的模型形式,并且预测精度较好。本文主要是将GMDH这种方法引入ARCH模型的条件方差的估计中,并将基于GMDH方法建立的非线性ARCH模型用于我国上证综指和深证成指的每日收益率和每5分钟收益率方差预测的实证研究。得出的结论为:1.对于上证综指和深证成指波动率,基于GMDH方法建立的非线性ARCH模型估计精度和预测结果优于线性的ARCH模型。2.基于GMDH方法建立的,加入“投资者情绪”的非线性ARCH模型估计精度和预测结果优于未加入投资者情绪的非线性ARCH模型。3.总体而言,基于GMDH方法建立的非线性ARCH模型,得到的平均绝对误差和均方误差都要比线性的ARCH模型小。4.本文将GMDH模型应用于上证综指和深证成指收益率波动的描述中,并客观的给出了结果和建议,为日后将基于GMDH神经网络建立的非线性ARCH模型作为应用于金融资产波动研究提供了一个思路。