论文部分内容阅读
股票指数期权是以股票指数为标的物的期权，由于其标的物对于整个股票市场具有代表性，使得股票指数期权成为一种重要的规避系统风险的衍生工具。基于此，目前股票指数期权已是全球规模最大的期权之一。沪深300指数期货推出已经两年，根据市场需求，我国内地推出沪深300指数期权指日可待。虽然股票指数期权在国际市场上已是较成熟的金融衍生品，但是对于我国是一个全新的金融产品。由于无历史价格参考以及我国股票市场的特殊性，我国股指期权的定价将是一个具有挑战性的任务。在此背景下，研究股票指数期权定价问题对于我国推出股票指数期权具有重要的理论和现实意义。
本文从Black-Scholes公式中影响期权价格的因素出发，在采用数据挖掘方法分析股票指数及其波动率的基础上对股票指数期权进行定价。首先，关于股票指数的价格分析中，采用基于参数选优的支持向量机模型对股票指数的方向进行预测，其结果可以作为未来股票指数期权价格变化方向的重要参考;另外，股票指数的单变量分解集成预测结果可以直接应用于股票指数期权定价模型。其次，在股票指数波动率分析中，采用带领先项的混频数据抽样模型进行波动率预测，同时得到波动率估计的合适数据频度及估计量;对于股票指数波动溢出的多尺度分析可以得到对股票指数波动溢出明显的相关股票指数，该股票指数合适尺度的波动率可以作为股指期权定价的因素。最后，在上述分析的基础上，采用基于不同波动率模型的非参数方法对股票指数期权进行定价，同时应用传统参数方法进行比较分析。
本文的创新点主要有以下几个方面:
(1)提出了基于数据挖掘的股指期权定价框架。基于Black-Scholes期权定价公式，从影响期权价格的两个重要影响因素（标的资产价格，波动率）出发，采用分而治之的思想，提出基于数据挖掘的股指期权定价框架。
(2)构建了基于单变量分解集成的股票指数预测模型。基于“分解集成”思想，构建了基于小波分解、经验模态分解以及神经网络、支持向量机的单变量分解集成预测模型。该方法一方面利用分解方法得到了更稳定的简单模态，易于预测。另一方面模型采用非简单加和的智能方法进行集成，可提高预测精度。此外，在模型应用中给出了合适的经验模态分解方法和小波分解方法。
(3)提出了基于敏感性分析的智能参数选优方法。针对支持向量机选参依赖经验的问题，提出了基于敏感性分析的智能参数选优方法。通过敏感性分析一方面可以大大缩小优化选参的范围，另一方面可以避免过拟合现象。在敏感性分析的基础上充分利用遗传算法和粒子群算法各自的优点分别进行参数选优，最后比较得到支持向量机模型的最优参数组合。该方法相比通常的参数选优方法更快捷，得到的参数更合理。
(4)建立了带领先项的混频数据抽样波动率预测模型。在充分利用高频数据的基础上，首次应用带领先项的混频数据抽样模型(Lead-MIDAS)对股票指数波动率进行预测。由于高频数据获取早于低频数据，将已获得的高频数据加入到混频数据抽样模型(MIDAS)中，可以得到优于普通MIDAS以及其他波动率预测模型的结果。另外，本文给出了波动率的合适估计量和数据频度，对于股指期权定价中波动率估计具有重要的指导意义。
(5)构建了基于多尺度分析的股票指数波动溢出模型。首次提出基于经验模态分解和非线性Granger关系检验的波动溢出多尺度分析。首先利用经验模态分解方法可以得到不同尺度的简单模态，也即不同周期的波动。然后对于不同周期的波动进行线性和非线性Granger关系检验，由该方法得到的相关股指的合适尺度的波动率可以作为股指期权定价中波动率的参考。
(6)系统评估了多种波动率下非参数股指期权定价模型。基于五种不同波动率模型，采用非参数方法对不同价值状态下的股票指数期权进行定价，发现非参数模型BP神经网络在虚值状态期权定价中优于传统参数方法（Black-Scholes模型）。此外，本文总结了参数方法和非参数方法中较优的波动率模型，可以指导未来我国股指期权定价模型的选择。