论文部分内容阅读
在现代金融市场中,波动率扮演着一个重要的角色。金融衍生品的相关定价、资产组合的有效管理以及期货、现货市场的套期保值都离不开对标的资产波动率的有效估计。因此,能更准确的预测相关金融资产的日内波动率就显得尤为关键。如今,不少学者将人工智能领域内的深度神经网络算法应用于金融时间序列的分析中并取得了成功。在以往研究的基础上,本文首先创新性的将AE(Auto-Encoder)自动编码器应用在深度神经网络的输入端,并与深度神经网络模型组成混合模型以此来预测指数期货的已实现日内波动率。通过应用AE自动编码器可以有效的从深度网络模型输入端的高维数据中提取更必要的抽象信息,从而提升网络的学习效率。为了验证AE自动编码器在高维度输入数据特征提取中的有效性,本文同时引入了PCA主成分分析方法并将其与AE自动编码器进行比较。其次本文创新性的将人工智能领域中的两种非线性算法(ANN、LSTM)与两种特征提取方法(PCA、AE)组成四种混合模型:ANN-PCA、ANN-AE、LSTM-PCA、LSTM-AE。并将其与两种单一的非线性模型:ANN、LSTM和传统的线性模型:EGARCH模型进行比较。为了获得较为全面的实证研究结果,本文在长期和短期的时间跨度内,分别将以上七种波动率预测模型应用在中国和美国的指数期货市场中。通过实证研究发现,两种单一的非线性模型以及四种混合了特征提取方法的非线性模型在长期和短期的已实现日内波动率的预测中均要优于EGARCH模型,并且这个结论在国内、外的指数期货市场中都成立。通过对比不同特征提取方法对非线性模型的提升时发现,AE自动编码器在长期和短期的实证研究中对LSTM模型的提升较PCA主成分分析更大。以国内短期的实证研究为例,LSTM-AE模型误差指标的NMSE值为0.924,LSTM模型为0.96,其误差改善为3.82%;而LSTM-PCA模型在短期的NMSE值为0.969,其相较于LSTM模型在误差改进上的提升为1.8%。值得注意的是,在国内、外实证研究中LSTMAE混合模型在长期和短期的已实现日内波动率的预测中均表现最优。以国内的沪深300指数期货已实现日内波动率的预测为例,其测试集在短期和长期的标准化均方误差NMSE值为0.924以及0.940,而EGARCH模型对应的HMSE值分别为1.112和1.141,其预测精度的提升率为16.94%和21.38%,并且这个提升率水平在其他所有模型中最大,表明在本文七种日内波动率预测模型中,LSTM-AE模型为最优模型。本文的贡献在于通过对中国和美国股指期货市场的实证研究,论证了AE自动编码器与深度神经网络模型所组成的混合模型在指数期货日内波动率的预测中的可行性;同时也论证了AE自动编码器作为一种特征提取方法,能更有效的增强深度神经网络模型对于波动率的预测效率,并以此提出了一种混合了特征提取的深度神经网络波动率预测模型:LSTM-AE模型。