论文部分内容阅读
自1987年10月美国华尔街股市崩盘引发的全球性金融风暴以来，金融市场中的市场风险已经引起了各国研究者和金融专家的广泛关注，特别随着金融危机的爆发及其金融衍生品的出现更加加剧了金融市场的不稳定性，金融市场风险明显加大，为此建立一套有效的对市场能够准确预测的方法，成为一项重要的任务。
现在对金融市场的预测分析，大多数的学者与专家多往往习惯运用ARCH与GARCH模型等条件异方差模型，但是条件异方差模型没有能够克服信息的不对称性，为此Zkoian(1990)和Glosten,Jagannathart,Runkle(1993)提出了资本市场非对称的TARCH模型，但是所有的这些模型都没有对资本市场的进行宏观方面的引入模型进行综合分析。
近年来，神经网络以其具有分布处理、自组织、自适应、自学习和容错性的优良特性，能够较好的处理股价预测的多因素、不确定性、非线性的时间序列的问题，神经网络金融市场风险预测与分析方面得到了越来越广泛的应用。
本文介绍了一种将金融时间序列应用于神经网络建模的新方法。它是将运用GARCH模型对金融时间序列波动率的预测数据，作为神经网络的一个输入变量；并且本文选择宏观经济中的汇率与法定存款准备金率作为输入变量，尝试宏观变量与微观变量的统计性质相结合运用GARCH-BP模型对资本市场进行预测。