论文部分内容阅读
金融市场是一个复杂的非线性动态系统,金融数据中包含着许多信息,借用适当方法对金融数据进行分析与预测,是一个具有挑战性的研究领域,有着极高的市场价值。风险信息和价格信息是金融信息的两个重要方面,预测金融风险有助于保障金融市场安全,预测资产价格可以帮助投资者获取投资收益。论文针对金融信息预测的这两个方面进行了一些研究。实际中金融资产的回报序列有以下特点:①资产回报分布的厚尾性,金融资产回报序列的实际分布比正态分布在尾部明显更厚;②资产回报波动的异方差性,回报的波动一段时间很大而一段时间很小,呈现出集聚性;③资产回报波动的长期记忆性,即市场对波动的冲击要持续一段时间才会消失。利用FIGARCH模型有效处理波动异方差性和长期记忆性、极值理论(EVT)方法准确拟合资产回报厚尾分布的优势,论文提出了能反映资产回报厚尾性、资产回报波动异方差性和长期记忆性的VaR风险预测模型——基于FIGARCH-EVT的动态VaR模型。将金融市场的重要特征——波动作为输入变量,融入神经网络模型,可以改进神经网络预测金融资产价格趋势的准确性。论文选用FIGARCH模型估计的条件方差代表波动,然后与资产回报的滞后历史值一起作为输入变量,以资产回报的当天值作为输出变量,建立基于FIGARCH-ANN的金融价格信息预测模型,减小预测的错误率。最后用上海股票市场上证综合指数从1995年1月1日到2007年5月17日的每日收盘价时间序列对模型进行实证分析,结果表明基于FIGARCH-EVT的动态VaR模型能较好地处理上证综合指数回报序列的三大特点,比基于GARCH-N和基于静态EVT的VaR模型更能准确地度量其VaR风险;在预测上综指价格趋势时,基于FIGARCH-ANN的价格信息预测模型比基于GARCH-ANN和没有加入波动信息作为输入变量的价格信息预测模型有更高成功率。