论文部分内容阅读
金融市场的泡沫一直都存在，金融泡沫的演变最终将导致市场崩坏，并对经济和社会发展造成严重的冲击。然而不幸的是，一直以来人们认为只有当泡沫破裂发生，我们才确认泡沫的存在。直到金融物理学的兴起，人们发现金融市场泡沫的形成与破裂属于自组织临界性行为，由大量相互作用的交易员组成，各交易员之间随机相互作用使得系统向自组织临界状态发展，一旦达到这种状态，系统受到的任何微小的扰动都将可能导致系统发生一系列灾难性的变化。因此可以纳入自组织临界性行为的研究范畴。 Sornette教授将对数周期幂律模型引入金融市场泡沫的研究，认为泡沫的形成与发展是由于市场中交易者之间相互模仿，形成集体效应，符合正反馈机制和市场非线性动力学机制。可以很好的判断泡沫的产生以及预测最终崩盘时间点。对崩盘时间做出预测，可以在很大程度上减轻投资者承受的损失，并给监管者做出决策启示。问题的关键在于模型参数的求解，本文结合国内A股市场的实例，采用遗传算法求解对数周期幂律模型的参数，对处于泡沫、反泡沫、反转泡沫等阶段进行LPPL拟合，诊断泡沫，并对模型的稳定性和敏感性等作出了检验。 LPPL模型给我们预测金融市场的泡沫及崩盘带来了极大的方便，预测结果较为理想，对市场泡沫的形成及最后崩盘的预测具有显著的作用。但是LPPL模型本身还存在做多问题需要解决。关于如何定义泡沫的开始，该模型并没有给出详细的说明。而且参数拟合过程中用到的遗传算法，属于算法复杂度很高的全局启发式搜搜算法，算法本身带有对初始解的依赖性较强，每次进化所得结果不同，程序耗时时间长，拟合精度不高等问题，是造成LPPL模型拟合精度不够高的主要原因。