關(guān)于半?yún)?shù)神經(jīng)網(wǎng)絡GARCH模型族在中國股市的進一步研究.pdf

1、在現(xiàn)代金融理論中,有兩個金融市場的基本活動,它們分別是風險評估和資產(chǎn)定價,在對這兩個基本活動的實踐中我們都會遇到一個度量指標,也就是我們經(jīng)常說的資產(chǎn)收益波動率。在投資組合的安排中,以及金融風險管理的理論和實踐中,它是對資產(chǎn)收益不確定性的衡量,代表了資產(chǎn)的風險狀況,因此能夠準確的測量,乃至預測金融資產(chǎn)的波動率是金融市場研究的重要問題之一。
　　在對于資產(chǎn)波動率的測量方法的研究中,國內(nèi)外的專家學者,多年來已經(jīng)產(chǎn)生了大量的文獻著作,和實

2、踐結(jié)果,并取得了顯著的研究成就。事實上,Engle于1982年首次提出的自回歸條件異方差理論(即ARCH模型)就如同里程碑一樣開啟了異方差模型的大門,這一模型方法便被廣而傳之,隨后的研究者們?yōu)榱诉M一步刻畫金融資產(chǎn)收益率的觀測特性—包括:尖峰厚尾,聚集性,持續(xù)性等,于是不斷對ARCH模型進行拓展與改進,相繼提出了GARCH、EGARCH、TGARCH、GJRGARCH、NAGARCH、APARCH等模型,其中最著名的莫過于 Bollers

3、lev在1986年提出的GARCH模型,即廣義自回歸條件異方差模型,它是對ARCH模型的一種最常見的推廣形式,以至于我們將之后提出EGARCH等模型,統(tǒng)稱為參數(shù)GARCH模型?？墒?參數(shù)模型有其最大的弊端,也就是需要具體參數(shù)形式以及各種條件假設,因此也就造成了模型的局限性。研究者們?yōu)榱送黄七@些假設限制,于是提出了另一類新的方法,即非參數(shù) GARCH模型。但是,研究者們同時也發(fā)現(xiàn),非參數(shù)方法雖然避免了假設限制,卻也存在其自身的諸多缺陷,例

4、如,過度依賴大樣本數(shù)據(jù),維數(shù)災,以及缺乏解釋性等問題。因此在近幾年的研究中,許多研究者嘗試使用半?yún)?shù) GARCH模型來測量金融資產(chǎn)的波動率,這類模型不僅擁有非參數(shù)模型較好的擬合和預測能力,同時兼具傳統(tǒng)參數(shù)模型的解釋能力,可以較好測量金融資產(chǎn)的波動率變化。
　　通常,半?yún)?shù)GARCH模型是由GARCH模型和另一種非參數(shù)方法雜交而成,例如:小波分析、局部多項式回歸,Copula函數(shù)等,而本文對于中國股市的波動率研究正是基于神經(jīng)網(wǎng)絡算法