论文部分内容阅读
股票收益率预测是当今学术界与实务届研究的热点和难点问题,股票波动性是股票市场的重要特征之一,股票收益率序列具有明显的“尖峰厚尾”、波动集聚和非线性的特征,ARCH类模型和GARCH类模型是研究股票收益率波动的主要方法,而神经网络模型和灰色GM模型具有较强的泛化能力、自适应能力和突出的预测能力。因此本文探索将GARCH模型与灰色模型、BP模型相结合,对股票收益率进行预测研究。本文以公司股票收益率为研究对象,选取平安银行(000001)2013年6月20日至2018年6月15日的日收益率数据,采用灰度GM模型、灰色GARCH模型、灰色GARCH-BP组合模型等方法,利用方差建模的技术,对平安银行的收益率进行预测研究,研究结果表明灰色GARCH-BP组合模型的预测效果比较满意。首先,本文简单地介绍了灰色GM模型的相关研究现状,以及灰色GM模型的基本理论,将平安银行的日收益率数据分为训练集和测试集,利用平安银行的日收益率训练集数据进行建模,通过随机抽样、多次模拟的方法,确定了GM模型预测的时间长度,建立GM(1,1)模型,并用GM(1,1)模型和新陈代谢GM(1,1)模型模型对训练集和测试集的收益率数据进行预测,得出GM(1,1)收益率误差序列,GM(1,1)模型实证分析的结果表明测试集的预测结果的精度还有进一步改进的空间。其次,介绍了GARCH模型和灰色GARCH的相关研究情况,并进一步介绍了灰色GARCH的基础理论和建模方法。利用平安银行的日收益率数据进行建模,通过对训练集数据的描述性分析、相关性分析和平稳性检验,确定GARCH模型的相关参数,运用新陈代谢GM(1,1)模型对GARCH模型的残差项进行修正,将修正后残差与GARCH模型的残差项进行线性组合,通过回归分析对线性组合系数进行测算,利用组合后的灰色GARCH模型对收益率进行预测,得出灰色GARCH模型的收益率误差序列,灰色GARCH模型实证分析的结果比GM(1,1)模型有一定的改善。再次,介绍了BP神经网络模型的研究现状和建模理论及方法。利用新陈代谢GM(1,1)模型的残差序列和灰色GARCH模型的残差序列,建立模型结构为2-X-1的神经网络BP模型,利用训练集多次反复训练确定隐含层的节点数11,利用BP神经网络模型对残差进行修正,将神经网络的残差输出值和灰色GARCH模型的预测值相叠加,得到灰色GARCH-BP组合模型的最终预测值以及误差值,灰色GARCH-BP组合模型实证分析结果表明比灰色GARCH模型的精度有所改善。最后,利用均方根误差RMSE、平均绝对误差MAE、平均绝对百分比误差MAPE三个评价指标,对灰度模型、灰度GARCH模型和灰度GARCH-BP组合模型的预测效果进行比较评价,评价结果表明,灰色GARCH-BP组合模型的预测精度最高,灰色GARCH模型次之,灰色模型相对最差。至此,本文提出的灰色GARCH-BP组合模型可以对股票收益率能起到更好的预测效果。