论文部分内容阅读
结算体系的安全状况关系到整个金融体系的稳定运行。随着股指期货交易在中国的不断深入和发展，要求结算中心不断完善和提高对结算风险的管理水平。结算中心每天都会产生海量的结算交易数据，在不断积累的数据中蕴藏着丰富的对结算风险管理有用的知识和规律，本研究将运用数据挖掘的理论和方法与股指期货结算风险预测问题相结合，对完善目前风险管理体系的若干问题进行研究。主要工作为:
首先，在文献调研的基础上，对结算风险进行了明确的刻画，并对其影响因素、发生机理以及国内的风险管理现状进行了详细分析。得知风险主要来源于投资者的异常交易结算行为和市场价格变动预期等方面。在此基础上，运用序列聚类的无监督学习方法对异常交易行为模式进行了研究。发现通过成交量变化、成交额变化、净持仓率等5种交易行为代理指标的月度统计量可以将“高风险”结算会员识别出来。此外，考虑到交易行为还受到市场价格预期变动的影响，所以用移动窗口法在限定行情的前提下，研究结算会员之间在单一行为代理指标表现出的规律。
其次，将结算风险预测问题转化成分类问题，即通过输入风险预测特征经过模型计算，输出结算会员是否将发生结算风险。运用支持向量机方法集成了不同的特征选择过滤器，对每家会员建立了7种表示不同预警时长的分类预测模型，并与其他两种分类算法进行比较。经过试验证明，数据挖掘分类算法可以用于建立结算风险预测模型，并且具有比较稳定的表现。通过Reason Code技术还可以计算得出风险来源的重要性排序。
最后，在分类预测模型的研究基础上进一步把结算风险预测问题转化为回归问题。与分类问题的结构相似，回归问题是通过输入预测特征，通过模型计算得到资金使用率的具体数值。文章先对比分析了结算风险分类预测模型和回归预测模型的异同点。然后在对回归方法理论研究的基础上，分析了每种算法的优势和缺点，并进行了实证分析。分别采用3种不同形式的支持向量回归机与多元线性回归方法比较，将数据样本按照时间顺序分成三个子样本区间，分别建立回归预测模型。试验结果表明，支持向量回归机建立的预测模型比传统的多元线性回归法表现出更好的回归预测精度。
本论文力争将详细的理论分析和实证检验相结合，基于海量的交易结算以及合约行情高频数据，运用数据挖掘技术，分析了结算会员交易行为模式并建立了不同类型的结算风险预测模型。主要创新点包括，一、运用序列聚类的方法研究结算会员交易行为模式。二、成功地将结算风险预测问题分别转化为分类问题。通过从不同抽样方式、不同特征选择、不同的建模方法以及不同的模型预测时长等多个角度对分类预测模型进行了详细的理论和实证研究。同时计算得出风险来源重要性排序。三、在分类预测模型的基础上，进一步将结算风险预测问题转化为回归问题，并对比了在不同子区间样本上运用四种不同回归方法的建模效果，对中国目前的结算风险管理体系进行了补充和完善，为风险管理决策提供了依据。