首页> 正文

基于深度学习的波动率指标构建以及多波动率指标的应用

2020-12-02阅读(747)

基于深度学习的波动率指标构建以及多波动率指标的应用

论文摘要

文献中对于“事后”（ex-post）波动率指标的构建多采用理论驱动的方法,即假设价格是某种随机过程的基础上,构建波动率的无偏估计量。从波动率信息提取和波动率预测的角度来说,理论驱动的方法不一定最优。深度学习领域的最新进展使得基于神经网络直接从原始高频数据中构建波动率指标成为可能。基于此,本文提出了一种采取数据驱动方法构建波动率指标的可行方案。基于深度学习的波动率指标作为对已有波动率指标体系的补充,能提供额外的波动率信息。样本内分析显示,在控制了已实现波动率的滞后项及其他波动率指标后,该指标仍对股市波动率有额外的预测能力;样本外的分析显示,该指标可以降低股市波动率预测的误差,在几种不同的模型设定下能提供2%-37%的相对改进（基于样本外R2统计量）。单一指标难以全面的反应高频数据中的波动率信息,更重要的是如何综合利用所有的波动率指标。对于多波动率指标体系的应用,本文关注两个方面——波动率预测和投资策略。对于波动率预测来说,最主要的问题在于指标间的多重共线性。相对于Engle and Gallo（2006）等采用的多个指标同时加入模型的方法,本文借鉴Paye（2012）、Cai et al.（2017）,将每个指标作为外生变量单独加入模型,然后进行模型融合（Model Averaging）。经验证,在波动率指标较多时,本文的方法能提供更优的样本外预测。对于投资策略来说,本文关注基于多个波动率指标的策略是否比基于单一波动率指标的策略更优。本文研究了基于融合指标的低波动率策略。实证研究发现,融合指标能更好的解释A股的横截面收益;同时,基于融合指标的低波动率策略取得了更高的年化收益率和夏普比率。

论文目录

  • 摘要
  • Abstract
  • 第一章 绪论
  •   1.1 研究问题与研究方法
  •     1.1.1 波动率指标体系的补充:基于深度学习的波动率指标构建
  •     1.1.2 波动率指标体系的应用:波动率预测
  •     1.1.3 波动率指标体系的应用:投资策略
  •   1.2 研究意义
  •   1.3 贡献与不足
  • 第二章 文献综述
  •   2.1 波动率指标回顾
  •   2.2 深度学习与序列数据信息提取
  •   2.3 多指标波动率预测
  •   2.4 基于波动率指标的投资策略
  •   2.5 与已有文献的区别
  • 第三章 基于深度学习的波动率指标构建
  •   3.1 常见波动率指标构建方法的分析
  •   3.2 为什么使用深度学习构建波动率指标
  •   3.3 基于深度学习构建波动率指标的思路
  •   3.4 难点与解决方法
  •   3.5 基于深度学习构建波动率指标的具体步骤
  •     3.5.1 数据输入与数据重表达
  •     3.5.2 特征提取
  •     3.5.3 波动率指标构建
  •   3.6 与已有波动率指标比较
  •     3.6.1 描述性统计
  •     3.6.2 变化趋势
  •     3.6.3 相关关系
  • 第四章 波动率指标与股市波动率预测
  •   4.1 研究方法
  •     4.1.1 概述
  •     4.1.2 预测目标与评估指标
  •     4.1.3 基准模型
  •     4.1.4 数据与评估步骤
  •     4.1.5 模型融合的方式
  •   4.2 基于GARCH的评估
  •     4.2.1 样本内评估
  •     4.2.2 样本外评估
  •   4.3 基于自回归模型的评估
  •     4.3.1 样本内评估
  •     4.3.2 样本外评估
  •   4.4 基于乘法误差模型的评估
  •     4.4.1 样本内评估
  •     4.4.2 样本外评估
  •   4.5 基于异质自回归模型的评估
  •     4.5.1 样本内评估
  •     4.5.2 样本外评估
  •   4.6 基于期权隐含波动率的评估
  •     4.6.1 样本内评估
  •     4.6.2 样本外评估
  •   4.7 小结
  • 第五章 月频波动率指标与中长期波动率预测
  •   5.1 月频波动率指标的构建
  •   5.2 各波动率指标的比较分析
  •     5.2.1 描述性统计
  •     5.2.2 变化趋势
  •     5.2.3 相关关系
  •   5.3 对股市波动率的预测能力
  •     5.3.1 样本内评估
  •     5.3.2 样本外评估
  • 第六章 波动率指标与低波动率策略
  •   6.1 概述
  •     6.1.1 波动率指标的经济价值
  •     6.1.2 低风险异象与低波动率策略
  •     6.1.3 与已有文献的区别
  •   6.2 样本选择与描述性统计
  •     6.2.1 样本选择与数据来源
  •     6.2.2 描述性统计
  •   6.3 低波动率异象的中国市场实证
  •     6.3.1 波动率因子的Fama-MacBeth回归
  •     6.3.2 按上月已实现波动率分组的累计收益率
  •     6.3.3 按上月已实现波动率分组的累计收益率（经Fama-French五因子调整）
  •     6.3.4 对投资策略的启示
  •   6.4 融合多个波动率指标能否更好的解释股票横截面收益?
  •     6.4.1 研究方法
  •     6.4.2 单个波动率因子的Fama-MacBeth回归
  •     6.4.3 波动率因子的两两显著性比较
  •     6.4.4 对投资策略的启示
  •   6.5 改良的低波动率策略
  •     6.5.1 策略描述
  •     6.5.2 与传统的低波动率策略的区别
  •     6.5.3 策略表现
  •     6.5.4 与基于单一波动率指标的策略相比较
  •   6.6 小结
  • 第七章 结论
  •   7.1 主要研究结论
  •   7.2 研究展望
  • 参考文献
  • 致谢

    • 文章来源

    类型: 硕士论文

    作者: 臧雷

    导师: 钟威

    关键词: 深度学习,波动率指标,波动率预测

    来源: 厦门大学

    年度: 2019

    分类: 基础科学,经济与管理科学

    专业: 数学,宏观经济管理与可持续发展

    单位: 厦门大学

    分类号: F224

    DOI: 10.27424/d.cnki.gxmdu.2019.000057

    总页数: 73

    文件大小: 5661K

    下载量: 5

    相关论文文献

    • [1].高频数据连续部分杠杆效应的估计[J]. 经济数学 2020(03)
    • [2].金融高频数据挖掘研究评述与展望[J]. 经济学动态 2011(06)
    • [3].中国证券市场高频数据统计特征分析[J]. 吉林工商学院学报 2016(03)
    • [4].(超)高频数据视角下金融风险度量研究进展[J]. 经济论坛 2010(08)
    • [5].超高频数据下金融市场持续期序列模型述评[J]. 中国管理科学 2008(04)
    • [6].金融高频数据仅仅是一个优质的时间序列吗:概念及统计特征的再考察[J]. 投资研究 2014(05)
    • [7].大数据时代:向高频出发[J]. 科学中国人 2018(18)
    • [8].人民币汇率高频数据非线性模型表现:预测比较[J]. 商业经济 2010(03)
    • [9].高频数据在会计实证研究中的应用和展望[J]. 财会研究 2011(05)
    • [10].基于非参数日内跳跃检验和高频数据的公司信息披露对股市价格波动影响研究[J]. 中国管理科学 2016(10)
    • [11].超高频数据的日内效应调整方法研究[J]. 中国管理科学 2015(06)
    • [12].基于超高频数据的VaR研究[J]. 山西农经 2019(03)
    • [13].金融危机后宏观政策的发布对股市是否产生了冲击?--基于高频数据的研究[J]. 经济与管理评论 2018(05)
    • [14].中国债路选择[J]. 新理财(政府理财) 2013(05)
    • [15].基于傅里叶分析法的股票市场超高频数据相关性分析[J]. 数学的实践与认识 2010(07)
    • [16].日内金融高频数据的异常点检测[J]. 系统工程理论与实践 2009(05)
    • [17].基于高频数据的大维金融协方差阵的估计与应用[J]. 统计与决策 2018(05)
    • [18].基于改进BigFIM算法的网络信息大数据高频数据项挖掘算法研究[J]. 激光杂志 2016(07)
    • [19].月度CPI增速的高频数据预测方法[J]. 当代财经 2018(12)
    • [20].基于高频数据的豆类期货套利实证研究[J]. 时代金融 2018(06)
    • [21].基于高频数据的统计套利实证研究[J]. 经济研究导刊 2019(07)
    • [22].基于超高频数据的我国股市价格持续性实证研究[J]. 中国科学技术大学学报 2015(05)
    • [23].基于上证180指数买卖价差的实证分析[J]. 长春工业大学学报(自然科学版) 2011(06)
    • [24].基于高频数据的金融波动率模型[J]. 统计与决策 2008(01)
    • [25].市道轮换下的高频数据参数估计[J]. 深圳大学学报(理工版) 2018(04)
    • [26].基于SCD模型的金融超高频数据信息含量研究[J]. 河北科技大学学报(社会科学版) 2018(02)
    • [27].基于高频数据的中国国债期货价格发现能力研究[J]. 运筹与管理 2017(06)
    • [28].高频数据下波动率的双时间序校正[J]. 甘肃联合大学学报(自然科学版) 2013(02)
    • [29].基于高频数据市场微观结构的应用研究[J]. 泰山学院学报 2012(03)
    • [30].基于BP神经网络的股指收益率预测研究——以高频数据为样本[J]. 统计教育 2009(04)

    标签：;  ;  ;  

    基于深度学习的波动率指标构建以及多波动率指标的应用
    下载Doc文档

    猜你喜欢

    © 2025 毕论降 版权所有 鄂ICP备12018319号-6