神經(jīng)網(wǎng)絡分位數(shù)回歸模型預測能力研究——來自股市與匯市的證據(jù).pdf

1、神經(jīng)網(wǎng)絡分位數(shù)回歸模型(QRNN)是神經(jīng)網(wǎng)絡與分位數(shù)回歸的結合，充分發(fā)揮了神經(jīng)網(wǎng)絡與分位數(shù)回歸的優(yōu)勢。一是通過神經(jīng)網(wǎng)絡，可以充分模擬金融系統(tǒng)中的非線性結構;二是通過分位數(shù)回歸，能夠完整揭示響應變量的條件分布特征。因此，神經(jīng)網(wǎng)絡分位數(shù)回歸模型，全面提升了分位數(shù)回歸的功能，往往能夠得到較為理想的分析效果。
　　本文將神經(jīng)網(wǎng)絡分位數(shù)回歸模型應用于金融系統(tǒng)預測研究，一是股票市場VaR風險測度，二是人民幣匯率的條件密度預測。
　　在基

2、于神經(jīng)網(wǎng)絡分位數(shù)回歸模型的VaR風險測度方面，將其與極值理論的POT方法相結合，解決了極端VaR風險測度問題。由于金融時間序列極端尾部數(shù)據(jù)的稀疏性，一方面非線性分位數(shù)回歸存在非線性函數(shù)形式選擇困難，另一方面非線性分位數(shù)回歸的極端VaR風險測度精度一直不高。為此，提出了使用神經(jīng)網(wǎng)絡分位數(shù)回歸模擬金融系統(tǒng)的非線性結構，并使用極值理論的POT方法彌補非線性分位數(shù)回歸對極端尾部數(shù)據(jù)信息處理能力的不足，得到了一個新的金融風險測度方法:QRNN+P

3、OT，給出了其基本算法，并將其應用于極端VaR風險測度。選取了世界范圍內(nèi)代表性國家股票市場為研究對象，從樣本內(nèi)與樣本外兩個方面實證比較了QRNN+POT方法與已有的非線性分位數(shù)回歸模型在VaR風險測度中的表現(xiàn)。
　　在基于神經(jīng)網(wǎng)絡分位數(shù)回歸模型的人民幣匯率預測方面，給出了其條件概率密度預測方法。將人民幣匯率的實際值作為輸出變量，其影響因素作為輸入變量，建立神經(jīng)網(wǎng)絡分位數(shù)回歸模型，估計人民幣匯率的條件分位數(shù);進而使用概率密度預測方法

4、，實現(xiàn)對人民幣匯率完整概率分布的預測。選取人民幣兌美元匯率為研究對象，建立了神經(jīng)網(wǎng)絡分位數(shù)回歸模型并進行概率密度預測，將其預測結果同線性分位數(shù)回歸、BP神經(jīng)網(wǎng)絡、線性均值回歸等方法進行了實證比較。
　　研究結果表明:第一，直接使用非線性分位數(shù)回歸模型能夠準確地得到正常VaR風險測度，而極端VaR風險測度效果卻差強人意，使用QRNN+POT方法，極大地改善了極端VaR風險測度效果，能夠有效地描述金融危機期間出現(xiàn)的極端風險;第二，神經(jīng)