论文部分内容阅读
随着我国金融市场的壮大,股票市场在金融市场中的地位更加重要,充分认识风险的存在、做好防范风险准备有利于股票市场的稳定。股票波动率是衡量金融风险的重要指标,计算股票波动率能够预测股票未来走势,为投资者和管理者提供更精确的选择方向,防范风险。学者们对股票波动率研究已经取得了很大进展,但是在预测准确性方面还有待提升,因此,本文以新旧动能转换的5个板块10支股票为研究样本,建立了准确性更高的模型预测股票波动率。由于高维金融时间数据具有复杂性,使用单一的广义自回归条件异方差模型(GARCH模型)处理高维数据会存在预测精度偏低和不够准确等问题,并且GARCH模型也存在待估参数过多、计算不够简洁等问题,因此本文采用多元波动率模型,以此来更准确有效地预测股票波动率。首先,本文选择独立成分分析方法(ICA)提取高维信息,ICA方法能够快速高效地提取数据中的独立成分,从而起到降维的作用,并且ICA方法有计算简洁、耗用内存小的特性。其次,本文选用GARCH模型消除由于时间序列造成的异方差性,GARCH模型在处理金融数据中的线性部分具有较大的优势,在对非线性的数据进行拟合时,可以通过结合神经网络(NN)来完成,基于此,本文构建了ICA-NN-GARCH模型。最后,利用所构建的ICA-NN-GARCH模型对我国10家上市公司股票的波动率进行统计描述,实验结果表明,股票波动率序列呈现尖峰厚尾、偏度和峰度等特征,以及具有平稳性和ARCH效应,满足建模的必须条件,且股票收益率序列显现出了波动集群性特征;利用基于滚动窗口的一步预测法对风险价值(VaR)进行预测,同时使用Kupiec失败率检验法的极大似然统计量LR对VaR的预测精度进行检验,检验结果表明,虽然GARCH模型、ICA-GARCH模型和ICA-NN-GARCH模型都能够预测VaR值,但ICA-NN-GARCH模型较GARCH和ICA-GARCH模型具有更高的预测精度,因此,ICA-NN-GARCH模型能更准确地预测风险值,对股票市场风险预测提供参考,进而可为广大投资者和决策者提供参考。