基于GARCH 模型族的中国股市波动性预测
2005级数量经济学专业 倪小平
摘要：本文采用上证综合指数和深证成份指数2000年1月4日—2006年12月27日的每日收盘价对数百分收益率为样本采用GARCH 模型对我国股市波动性进行实证分析。
关键词：GARCH 模型 波动性 预测
一、引 言
波动性是金融市场最为重要特性之一。金融市场在一些时间段内显得非常平静，而在另外一些时间段内剧烈波动。描述波动性的时变特性是非常重要，因为第一，资产风险是资产价格的重要决定因素，投资者要求更高的预期收益作为持有更高风险资产的补偿，因此回报方差的变化对于理解金融市场是非常重要的，事实上，波动性是证券组合理论、资本资产定价模型(CAPM)、套利定价模型(APT)及期权定价公式的核心变量。第二，它与市场的不确定性和风险直接相关，是体现金融市场质量和效率的最简洁和最有效的指标之一。另一方面波动性对企业的投资与财务杠杆决策、消费者的消费行为和模式、经济周期及相关宏观经济变量等都具有重要影响。因此，波动性的估计、预测和影响因素分析一直是金融经济学研究的持续热点。
Engle 于1982年开创性的提出ARCH 模型，Bollerslev 于1986年对其进行扩展，给出了GARCH 模型。如今GARCH 模型族已经成为度量金融市场波动性的强有力工具。
本文的结构如下：首先对所选用的四种GARCH 模型给予了简单的描述；第二部分实证分析，包括：数据的选取与基本统计分析、模型参数的估计以及对波动性的预测和模型的比较；最后是本文的总结。
二、模型概述
1、一般GARCH 模型
ARCH 模型的主要贡献在于发现了经济时间序列中比较明显的变化是可以预测的,并且说明了这种变化是来自某一特定类型的非线性依赖性,而不是方差的外生结构变化。GARCH 模型是ARCH 模型族中的一种带异方差的时间序列建模的方法。
一般的GARCH 模型可以表示为
:
2011',t t t t t
q p t i t i j t j i j y x v h h βεεααε
θ--===+==++∑∑
其中1var(|)t t t h ε?-=，1t ?-是时刻t-1及t-1之前的全部信息,其中, t v 独立同分布,且参数满足条件：这里t h 可以理解为过去所有残差的正加权平均,这与波动率的聚集效应相符合,即:大的变化后倾向于有更大的变化,小的变化后倾向于有小的变化。由于GARCH (p,q)模型是ARCH 模型的扩展,因此GARCH(p,q)同样具有ARCH(q)模型的特点。但GARCH 模型的条件方差不仅是滞后残差平方的线性函数,而且是滞后条件方差的线性函数。
GARCH 模型适合在计算量不大时,方便地描述了高阶的ARCH 过程,因而
具有更大的适用性。但GARCH(p,q)模型在应用于资产定价方面存在以下的不足:
①GARCH 模型不能解释股票收益和收益变化波动之间出现的负相关现
象。GARCH(p,q)模型假定条件方差是滞后残差平方的函数,因此,残差的符号不影响波动,即条件方差对正的价格变化和负的价格变化的反应是对称的。然而在经验研究中发现,当利空消息出现时,即预期股票收益会下降时,波动趋向于增大;当利好消息出现时,即预期股票收益会上升时,波动趋向于减小。GARCH(p,q)模型不能解释这种非对称现象。
②GARCH(p,q)模型为了保证t h 非负,假定(2)式中所有系数均大于零。这些
约束隐含着2t ε的任何滞后项增大都会增加t h 因而排除了t h 的随机波动行为,这使
得在估计GARCH 模型时可能出现震荡现象。
2、GARCH 模型族
针对GARCH 模型的种种不足，人们提出了很多改进的方案，包括：
①GARCH-M 模型
GARCH-M 模型表达式为:
',t t t t t t y x h v βγεε=++=
其中t h 服从GARCH(p,q)模型。假设模型旨在解释一项金融资产的回报率,
那么增加t h 的原因是每个投资者都期望资产回报率是与风险度密切联系的,而条
件方差t h 代表了期望风险的大小。所以GARCH-M 模型适合于描述那些期望回报与期望风险密切相关的金融资产。
②TARCH 模型
TARCH 模型具有如下形式的条件方差:
2201111q p
t i t i t t j t j i j h d h ααε
?εθ----===+++∑∑ 1000t t t d εε0)对条件方差的作用效果不同。上涨时211
0t t d ?ε--＝,其影响可用系数1q
i i α=∑代表,下跌时为1q
i i α?=∑＋。
③EGARCH 模型
EGARCH 模型中,条件方差ht 为延迟扰动项t i ε-的反对称函数:
p 011ln ln()()
()q
t j t j i t i j i t i t h h g v g v v αθα?--==+=-∑∑（）＝＋
由于采用了自然对数形式,意味着杠杆效应是指数型的。若?≠0,说明信息作用非对称;若?<0时,杠杆效应显著。EGARCH 模型可以很好地刻划金融市场中的非对称性。此外,由于t h 被表示成指数形式,因而对模型中的参数没有任何约束,
这是EGARCH 模型的一大优点。
三、实证分析
本文分别采用上证综合指数和深证成份指数为研究对象，时间跨度为2000
年1月4日至2003年12月31日，数据来源于Wind 资讯股票交易系统，并已经过向后复权处理。收益率指数采用对数百分收益率，即rt=100×(lnpt-lnpt-1),pt 和pt-1分别是t 日和第t-1日指数的收盘价格,每个收益率指数各有1680个数据。我们将整个样本分成模型估计样本和预测评价样本两部分，模型估计样本(样本期内)的时间跨度为2000年1月4日至2005年12月30日，共1441个数据用于模型的参数估计，预测评价样本(样本期外)的时间跨度为2006年1月4日—2006年12月27日，共239个数据用于模型预测波动性能力的评价。
由于中国股市创设初期证券管理制度不健全，运作不规范，市场波动异常，直至1999年7月1日《证券法》出台以后，中国股市开始步入健康、有序的发展阶段。并且考虑到政策效果的滞后性， 样本数据的起始点选取在2000年1月。
1、 样本数据揭示的中国股市特征
表1：样本基本统计量
市收益率序列的均值较小，偏度较小，峰度远超过3，具有一定的偏斜、厚尾特征；Jarque-Bera 正态性检验在0.05%的显著性水平下拒绝了正态性假设。
2、模型的建立
由图1图2可以看出，样本期内上证指数日收益率的波动存在明显的集群性和“杠杆效应”，即某些时期内的波动十分剧烈，而另一些时期的波动又相对平稳，且负的冲击往往导致比正的冲击更大的波动。基于以上特征，在模型建立之前我们先对收益率序列的平稳性进行检验，并通过自相关和偏自相关函数探测条件均值方程的可能形式。得到如下结果：
表2：单位根与ARCH效应检验
单位根检验表明收益率序列均为平稳序列，ARCH检验表明收益率序列存在显著的异方差性，存在高阶ARCH效应，即存在GARCH效应。
图1：上证综指收益率序列的自相关－偏自相关分析图
图2：深证成指收益率序列的自相关－偏自相关分析图
自相关和偏自相关分析显示，收益率序列是独立的。因此我们初步考虑采用
。由于各收条件均值方程的简单形式，即方程中只包含常数项r和随机扰动项
t
益率的均值都较小且其时变性不显著，在四种GARCH模型的均值方程中，取μ=0；依据已有的实证分析结果，在各种模型的方差方程中，取p=q=1，即以下的实证分析，均基于GARCH(1,1)模型族。
表3：模型参数的极大似然估计
波动具有很强的波动聚类性和持续性,由GARCH模型所估计的ARCH与GARCH项系数之和(α+β)都大0.92,最大的达0.970554,且上海波动聚类性和持续性要强于深圳股市；②上海市场利空信息对股价的影响(即杠杆效应)要略大于深圳。在TARCH 和EGARCH模型的条件波动方程中,对应于上海市场,系数γ的取值略大于深圳市场所对应的值。③对各个模型的标准化残差进行LM（拉格朗日乘数）检验，结果表明标准化残差序列已不存在ARCH效应（结果略）。从收益率序列与标准化残差序列的对比中可以直观地发现，通过GARCH模型对条件方差进行建模后波动的变性已经消除。这些结果都从不同的角度验证了使用各个模型的合理性。这说明GARCH、GARCH-M、TGARCH和EGARCH模型能较好地描述股市波动的聚类性和持续性。
3、模型的预测
表4：预测能力评价
为了各模型谁更好地度量中国股市的波动性，我们分别在样本期内和样本期外考察模型的预测能力，以平均绝对误差作为预测误差度量指标：从表4可以看出，GARCH模型族对上证综指的预测能力要好于深证成指的预测能力，在模型族中，一般GARCH对样本期内的预测能力比较好，而GARCH－M模型对样本期外的预测能力较好。
四、小结
通过对上证指数和深圳成指的波动性的实证分析发现：GARCH模型族能很好地拟合上海和深圳股市日收益率的时间序列。不同时期模型的结构可能存在差异,随着市场规模的扩大和市场制度的完善,市场风险变异特征和收益状况也在不断地发生变化。
1、中国股市的波动具有很强的波动聚集性和持续性,而且上海股市的波动聚集性和持续性要强于深圳股市。
2、上证综合指数、深圳成份指数收益率具有显著的异方差性,经GARCH、GARCH －M、TGARCH或EGARCH模型过滤后,对各个模型的标准化残差进行LM（拉格郎日乘数）检验，结果表明标准化残差序列已不存在ARCH效应。这表明GARCH模型族能很好的拟合中国股市的异方差性。
3、几种模型的差异不是特别明显。同时,在建模过程中发现,沪、深证券市场的波动性具有很高的持续性,当证券收益率受到冲击出现异常波动,则在短期内很难得以消除,因而中国股市总体风险很大。而且中国股市日收益率的波动存在“杠杆效应”,即利空消息比同样大小的利好消息对市场波动性的影响更大。这说明我国投资者的投资理念还不强,其投资行为极易受到各种消息的影响。认识到我国股市波动的这些特点,可以为投资者规避风险以及证监会对股市实施监管提供决策依据。另外,还应该看到，经过多年的努力，我国股票市场已经基本上达到了弱势有效。
参考文献
[1] Aydemir, A.B., 1998.Volatility modelling in finance.Forecasting
Volatility in the Financial Markets.
[2] Baillie, R.T., Bollerslew, T., 1989.the message in daily exchange
rates: a conditional variance tale.Journal of Business and Economic Statistics,Vol.7, 297~305.
[3] Bollerslev, T., 1986.Generalized autoregressive conditional
heteroskedasticity.Journal ofEconometrics,31, 307~328.
[4] Bollerslev, T., Chou, R.Y., Kroner, K.K., 1992.ARCHmodelling in
finance, a review of the theory and empirical evidence.Journal of econometrics,Vol·52, 5~59.
[5]余素红, 张世英. SV 与GARCH模型对金融时间序列刻画能力的比较研[J ] .
系统工程, 2002 , 20(5) : 28 —33.
[6] 陈泽忠,杨启智. 中国股票市场的波动性研究: EGARCH - M模型的应用[ J ].
决策借鉴, 2000, 13 (5) , 24- 27.
[7] 陈健. ARCH类模型研究及其在沪市A股中的应用[ J ]. 数理统计与管理,
2003, 22 (3) , 10 - 13.
股票预测模型【运用ARIMA模型预测股票价格】 [摘要]ARIMA模型是时间序列中十分常见和常用的一种模型，应用与经济的各个领域。本文基于ARIMA模型，采用了莱宝高科近67个交易日的数据，对历史数据进行分析，并且在此基础上做出一定的预测，试图为现实的投资提供一些参考信息。[关键字]ARIMA模型；股价预测；莱宝高科一、引言时间序列分析是从一段时间上的一组属性值数据中发现模式并预测未来值的过程。ARIMA模型是目前最常用的用于拟合非平稳序列的模型，对于满足有限参数线形模型的平稳时间序列的分析，ARIMA在理论上已趋成熟，它用有限参数线形模型描述时间序列的自相关结构，便于进行统计分析与数学处理。有限参数线形模型能描述的随机现象相当广泛，模型拟合的精度能达到实际工程的要求，而且由有限参数的线形模型结构可推导出适用的线形预报理论。利用ARIMA 模型描述的时间序列预报问题在金融，股票等领域具有重要的理论意义。本文将利用ARIMA模型结合莱宝高科的数据建立模型，并运用该模型对莱宝的股票日收盘价进行预测。二、ARIMA模型的建立 2.1ARIMA模型简介ARIMA是自回归移动平均结合模型的简写形式，用于平稳序列或通过差分而平稳的序列分析，简记为ARIMA(p,d,q)用公式表示为：△dZt=Xt=ψ1Xt-1+ψ2Xt-2+?+ψpXt-p+at-θ1at-1-θ2at-2-?-θqat-q 其中，p、d、q分别是自回归阶数、差分阶数和滑动平均阶数；Zt是时间序列；Xt是经过d阶差分后的时间序列值；at－q是时间为t－q的随机扰动项；ψp、θq分别是对应项前的系数。 2.2模型建立流程(1)平稳性检验以2010－3－4到2010－6－10的“莱宝高科”(002106)股票的收盘价作为模型的数据进行建立时间序列模型：做出折线图观察数据的特征：进行单位根检验，判别序列是否为平稳序列；若一阶差分后的数据为平稳序列，可以建立时间序列模型。说明原数据为一阶单整。(2)模型的选择和参数的估计根据数据的平稳性特征，初步确定建立ARIMA模型。观察一阶差分以后的序列的自相关函数和偏自相关
金融学 对股票收益率时间序列的非线性及机制转变的检验研究 王煦逸1林阳春2 （同济大学中德学院，上海 200092） 0 引言 近年来，对金融市场的时间序列的进行建模，试图通过计量经济学模型解释金融市场时间序列的内在关系一直是金融经济学和计量经济学研究的热点课题。关于金融市场的研究也大都集中于研究金融资产收益率。Campbell，Lo，MacKinlay认为金融资产收益率可以更好地解释投资的机会收益，同时金融资产收益率时间序列由于本身的统计特性也能更容易建立成模型。传统的金融资产收益率时间序列模型以线性关系为假设，最重要的是随机游走假设和ARMA模型。 关于随机游走假设的研究主要是讨论金融资产收益率的可预测性。一般来说，关于实证检验随机游走假设的研究十分困难，原因在于过去和将来的价格变化之间的独立性很难被直接检验出来。Granger和Morgenstern（1964）在美国的股票市场，Cristina Del Rio（1997）在西班牙的股票市场，Conrad和Jüttner（1993），Ronning（1974），Mühlbradt（1978）和M?ller（1986）在德国的股票市场上的研究都否定了随机游走假设。Conrad和Jüttner（1973）认为，连续的价格变化随机性地相互独立，许多股票收益率分布都存在显著的独立性。通过随后大量的研究发现，ARMA过程对于描述金融资产收益率时间序列是十分合适的，因为在这种情况下参数和矩函数都比较容易确定。1970年，Box/Jenkins(1976)解释了ARMA模型建立和参数估计的问题。从70年代开始，大量关于金融资产收益率的时间序列的线性模型研究都采用了ARMA与其扩展模型，实证研究表明，ARMA模型可以较好地解释金融资产收益率的时间序列的线性结构。然而由于金融资产收益率时间序列特殊的统计性质，80年代以来，越来越多的研究结果表明了金融资产收益率时间序列具有的非线性的关系，传统的金融资产收益率时间序列线性模型已经不能完整的刻画金融资产收益率时间序列的分布。90年代以来，关于金融资产收益率时间序列的非线性建模取得了很大的成功。Maravall（1983）用Bilinear模型研究了西班牙金融市场上的股票收益率。根据研究结果Maravall 认为，通过Bilinear模型可以修正由ARMA模型产生的10%的预测错误。Clements和Krolzig （1998），Rothman（1998）则利用了TAR模型成功地模拟了美国宏观经济指标的分布。De Gooijer (1998)，Potter（1995），Montgomery等等的研究也得出了相似的结果。随着时间的推移，越来越多的经济科学家都致力于用研究金融资产收益率时间序列的非线性建模。例如，Granger和Anderson（1978）的Bilinear模型，Tong（1978）的TAR模型，Priestley（1980）的State Space模型，Hamilton（1989）的MRS模型。在用非线性模型描述金融资产收益率时间序列之前，首先必须解决下列问题： 1）线性模型（例如ARMA模型）是否足以描述德国股市DAX30收益率时间序列？ 2）在DAX30 收益率时间序列中是否存在非线性和机制转变呢？ 为了回答这两个问题，在本论文中，通过对德国股票市场DAX30指数的收益率时间序列进行实证研究，并对DAX30指数收益率时间序列的非线性性质和机制转变性质进行检验。 1 金融资产收益率时间序列的非线性检验 由于许多复杂的时间序列过程并不能通过线性模型完全描述出来，对于非线性模型的应用逐渐受到人们的关注。对时间序列的非线性检验则成为一个对时间序列成功建模的前提条件。只有能够成功地检测出时间序列非线性的性质，对时间序列的非线性分析才有意义。80年代以来非线性检验逐渐成为金融市场理论的一个重要的研究领域，在这种情况下，很多用于非线性检验的新方法和技术应运而生，例如McLeod－Li －检验，Bispectral检验，BDS检验，RESET检验，F检验，神经网络非线性检验等等。由于时间序列非线性的来源无法得知，因此哪种检验方法最好也很难下定论。本文将采用部分检验方法，如McLeod－Li －检验和BDS检验。 1王煦逸：管理学博士，同济大学中德学院内部控制学基金教席教授, 同济大学中德学院泽尔腾经济管理研究所常务副所长, 研究方向为行为金融,、金融风险控制和商业银行管理 2林阳春：经济学硕士，同济大学中德学院内部控制学基金教席，研究方向为资本市场，公司治理和风险控制；本项目由德国蒂森克虏伯公司基金资助
中国股市预测学的基本特点中国的预测思维技术，实质上是一种运用“思维模型”的技术，是充分调动和发挥意识的能动作用和创造性的技术模式借助某种思维工具（数字、干支模型和预测工具）提取“脑信息”（包括感性认识和理性认识等），以五行、六亲、干支等概念体系和卦象、爻（音摇）象、课象、局象等思维模型（类似列方程式），反映主体与客体相互关系及其变化规律的一门科学技术。从信息论、认识论、脑科学角度看，中国预测思维学堪称“脑信息预测学”。预测思维学不但研究意识的能动作用、主体对客体的认识过程、认识方法，探求正确预测的途径和手段，解决主观与客观的关系问题，而且研究预测思维的逻辑形式（概念、模型、判断、推理）和方法（归纳与演绎、分析与综合、抽象与具体、类比等），并运用这些逻辑形式（思维模型）和方法去揭示事物发展变化的基本趋势和规律。 中国的预测思维技术，是开发大脑潜能和创造性、充分发挥和调动意识的能动作用、挑战大脑思维的极限、增强人的智慧、提高认识能力特别是思维判断能力的技术。它有以下突出特点： 1.模型性、抽象性、科学性 预测思维学和股市预测学的科学性主要表现在它科学地揭示了预测思维的基本规律，它具有一系列科学的范畴、公理定理、完整严密的数理思维模型和逻辑体系，它的知识理论体系具有科学的抽象性、逻辑性、规律性、全息性、无矛盾性的完备性。 模型化方法是股市预测学的根本的核心的思维方法。善于运用思维模型进行逻辑推测和数学演算，是中国股市预测技术的优点和优势。思维模型是人们对认识对象所进行的抽象简化的描述和模拟。中国传统的预测思维模型（干支象数符号模型）是远古时期劳动人们长期实践经验的总结和关于预测思维规律知识的抽象概括，它的发明为预测思维学和股市预测学的全部内容只有两个方面：如何建立预测思维模型（列预测分析方程式或预测行列式）和如何解析预测思维模型（解预测方程式或求预测行列式的值）。北京大学教授、博士生导师于希贤先生在《中国古代风水与建筑选址》一书中说：“凡是能建立数理模型的知识，它一定是科学的。”预测思维学和股市预测学的各种思维模型（卦爻象、六壬课象、奇门局向）都是预测思维的工具（如同电脑软件），它能够帮助人们更深刻地认识事物的本质、特点和规律。它的应用，依靠的是人的意识的能动作用、人的智力、认得思维、人的功能和物质的手段、逻辑的方法和科学的定理，没有半点对神鬼的祈求等迷信内容。 中国祖先发明的思维模型（包括八卦模型、大六壬模型、奇门模型等），是进行预测思维的“计算机软件”（而预测实物工具则是硬件），它的本质上是辅助人脑思维的“外脑”技术，是运用“阴阳二进制”的思维模型来加工、处理客观信息和“脑信息”（即主观信息）的技术。“外脑”思维与人脑思维，都具有自己的特点和优势，二者可以互相补充。仅仅使用人脑进行思维，而没有“外脑”协助思维，这是低级的、
用GARCI模型预测股票指数波动率 目录 Abstract ......................................................................... 1.引言........................................................................... 2.数据........................................................................... 3.方法........................................................................... 3.1.模型的条件平均............................................................ 32模型的条件方差............................................................... 3.3预测方法.................................................................... 3.4业绩预测评价............................................................... 4.实证结果和讨论................................................................. 5.结论........................................................................... References ....................................................................... Abstract This paper is designed to makea comparison between the daily conditional varianee through seven GRAChhodels. Through this comparison, to test whether advaneed GARCH models are outperform ing the sta ndard GARCH models in predict ing the varia nee of stock in dex. The database of this paper is the statistics of 21 stock in dices around the world from 1 January to 30 November 2013. By forecast ing one —step-ahead con diti onal varia nee within differe nt models, the n compare the results within multiple statistical tests. Throughout the tests, it is found that the sta ndard GARCH model outperforms the more adva need GARCH models, and recomme nds the best
2012年A股市场涨跌预测 摘要 本文主要解决了预估未来一年时间内A股市场的涨跌变化的问题。 首先通过收集2011年的上证A股指数每天开盘后的收盘价，对其进行分析处理，作出A股收盘价指数的走势图观察后，然后对数据作级比分析，得知一部分级比数据不在区间() 0.9474中，故先对数据进行变换，变换后的数据 , 1.0555 的级比都落在了上述区间中。然后通过分析建立灰色预测)1,1( GM模型，代入数据求解模型，并进行参数检验，先进行残差检验，得出预测模型的精度为：96.69%；然后进行相关度检验，检验合格；但是在进行后验差检验中的小概率检验时不合格，故又对模型进行残差修正后，用修正模型预测出2012年的上证A股指数的收盘价，但是由于灰色预测模型在预测长期数据时误差有可能增大，故用2011年的实际数据与用灰色预测模型预测2011年收盘价值之间的误差值修正了2012年A股指数的预测值。为使预测值更准确，又采用了马尔科可夫链模型预测出每天的涨幅情况来进一步修正预测值，得到了更精确的预测结果。预测上证A 股指数在2012年233天的收盘价分别为：2236.5 2221.5…1574.7 1601.9。其收盘价走势图为： 关键词：A股灰色预测马尔可夫链模型预测
问题重述 未来一年时间A股市场涨跌的评估预计 A股即人民币普通股票，是中国大陆机构和个人投资的主要股票。A股市场的涨跌受经济形势，国家政策，外部环境以及投资者心态等多个因素影响。2011年A股市场的上证指数和深成指数都出现暴跌，使投资者蒙受了很大的损失。 请查阅网上的资料和数据。建立数学模型，定量分析并预估未来一年时间内A股市场的涨跌变化。 符号说明 α----------为发展灰度数 μ---------为内生控制灰度 )(t X------表示在时间244 ... 2,1 ,= t t时的股票收盘价 r----------表示关联度 S1-------- 表示序列)(t X的标准差 S2--------表示绝对误差序列的标准差 C----------表示方差比 A i---------表示对数据划分区间,244) 1,2, (i? = p ij --------表示第i状态转移到第j状态的概率18 .... 2,1 ,= j i I0------------表示时刻0处于状态18 ... 2,1 = j的概率 i k j1+-----------表示经过k步转移后处于状态18 ... 2,1 = j的概率 模型假设 （1）运用的数据的来源是有效的，在统计过程中无错误 （2）假设无人为操纵股市的走向,为随机数据 （3）假设2009年到2011年无统计数据的日期为股市休息日 模型分析 一、问题的分析 因为A股指数包括上证A股指数与深成A股指数，选择其中一个进行分析即可，所以就不妨选择上证A股指数2011年1月4日到2011年12月30日的每天
基于BP网络的股票数据 预测模型 姓名：江政 班级：控制2015级 学号：2015028081100015 2016 年6月 26日
需求分析和网络结构设计 根据我们对自然神经系统的构造和机理的认识，神经系统是由大量的神经细胞（神经元）构成的复杂的网络，人们对这一网络建立一定的数学模型和算法，设法使它能够实现诸如基于数据的模式识别，函数映射等带有“智能”的功能，这种网络就是神经网络。其中，BP （Back Propagation ）神经网络是1986年由Rumelhart 和McCelland 为首的科学家小组提出，是一种按误差反向传播算法训练的多层前馈网络。BP 网络能学习和存贮大量的输入—输出模式映射关系，而 其他神经网络具有重要作用。 针对150组股票数据进行拟合（详细数据请见《附件1》），选取其中的开盘、最高、最低、收盘和成交次数五组数据，用当日的这五组数据来预测次日的收盘数据，从而等效建立一个股票数据预测模型。采用包括输入层、隐含层和输出层的三层BP 网络结构，如图1所示，输入层包含五个神经元，隐含层包含三个神经元，输出层为一个神经元。其中，隐含层神经元的激活函数采用非对称型Sigmoid 函数，函数表达式为：))exp(1/(1)(x x f -+=，输出层神经元的激活函数采用线性函数，表达式为：x x f =)(。将150组数据分为三等份，其中两份作为训练样本，用来对网络进行训练学习；另外一份作为测试样本，用来检验所训练出的网络的泛化能力。采用BP 算法对隐含层和输出层权值进行修正，以达到计算输出和实际样本输出相差最小，最终实现较精确预测的目的。 图1 预测模型的网络结构
用GARCH模型预测股票指数波动率 目录Abstract (2) 1.引言 (3) 2.数据 (6) 3.方法 (7) 3.1．模型的条件平均 (7) 3.2.模型的条件方差 (8) 3.3预测方法 (9) 3.4业绩预测评价 (9) 4.实证结果和讨论 (12) 5.结论 (16) References (18)
Abstract This paper is designed to make a comparison between the daily conditional variance through seven GRACH models.Through this comparison,to test whether advanced GARCH models are outperforming the standard GARCH models in predicting the variance of stock index.The database of this paper is the statistics of21stock indices around the world from1January to30 November2013.By forecasting one–step-ahead conditional variance within different models, then compare the results within multiple statistical tests.Throughout the tests,it is found that the standard GARCH model outperforms the more advanced GARCH models,and recommends the best one-step-ahead method to forecast of the daily conditional variance.The results are to strengthen the performance evaluation criteria choices;differentiate the market condition and the data-snooping bias. This study impact the data-snooping problem by using an extensive cross-sectional data establish and the advanced predictive ability test.Furthermore,it includes a13years’period sample set, which is relatively long for the unpredictability forecasting studies.It is part of the earliest attempts to inspect the impact of the market condition on the forecasting performance of GARCH models.This study allows for a great choice of parameterization in the GARCH models,and it uses a broad range of performance evaluation criteria,including statistical loss function and the Mince-Zarnowitz regressions.Thus,the results are more robust and diffusely applicable as compared to the earliest studies. KEY WORDS:GARCH models;volatility,conditional variance,forecast,stock indices.
基于GARCH模型的沪深300指数收益率波动性分析
摘要 股票市场的价格波动研究，不仅具有重要的学术意义，而且具有重要的实际意义。股价的波动给投资者带来了获利的机会。因此，金融市场的波动性一直以来都是投资者和经济研究人员关注的焦点。 本文以对沪深300指数2005年1月4日到2014年6月11日每个交易日收盘价为原始数据，对其收益率进行了研究分析。研究结果表明：日收益率序列的波动表现出时变性、突发性和集簇性等特征。序列分布呈现出尖峰厚尾的特点，并且存在明显的GARCH效应，表明过去的波动对于未来的影响是持久的，同时也是逐渐衰减的。而且，沪深300指数波动幅度大。沪深300指数的频繁交易使得股指期货市场具有高流动性，这种高流动性也是造成指数波动的一大成因。 关键字：收益率；ARCH模型；GARCH模型
一、前言 1.1研究意义 股票市场的价格波动研究，不仅具有重要的学术意义，而且具有重要的实际意义。股价的波动给投资者带来了获利的机会。投资者可以通过对度量波动率来猜测股市的风险有多大，同时，了解波动性有助于投资者更好的理解和把我股票市场的运行规律，将股价界定在一个可能的范围内，当投资者认识到股价波动的规律，就可以帮助其做出明智的投资，以获取更多的利益。因此，金融市场的波动性一直以来都是投资者和经济研究人员关注的焦点。 1.2 研究对象和方法 沪深300指数是由上海和深圳证券市场中选取300只A股作为样本编制而成的成份股指数。沪深300指数选取规模大、流动性好的股票作为样本, 覆盖了沪深市场六成左右的市值,具有良好的市场代表性，所以有必要对其进行深入分析。 本文以中国金融期货交易所的沪深300指数2005年1月4日到2014年6月11日每个交易日收盘价为原始数据，共2288个数据样本。 就沪深300指数收益率的波动性研究方法而言，国内外的研究结果表明，许多金融时间序列都将GARCH模型作为解释金融数据的经验方法。因此，本文采用GARCH模型检验沪深300指数日收益率的波动性变化，希望可以发现沪深300指数的波动性特征。 二、GARCH模型介绍 2.1 ARCH模型 ARCH模型由Engle（1982）提出，并由Bollerslev（1986）发展成为GARCH-广义自回归条件异方差。这些模型广泛的应用与经济性的各个领域，尤其是金融时间序列中。 ARCH的核心是(1)式中t时刻的随机误差项ε的方差（σ2）依赖于t-1时刻的平方误差的大小，即依赖于ε2t?1。 Y t=β0+β1X1t+?+βk X kt+εt (1)
股市预测模型 基于混合ARMA模型和支持向量机 摘要：股市预测在以往的文献中已经吸引了大量的研究兴趣。传统上，ARMA模型已经成为时间序列中应用最为广泛的线性模型之一。但是，ARMA模型不能够轻易的捕捉非线性模式。并且最近的研究表明，人工神经网络（ANN）方法比传统的统计的人实现了更好的性能。人工神经网络方法在泛化（generalization）方面经历了一定的困难，但是其生产模式可以过度拟合数据。支持向量机（SVM）一种新型的神经网络技术，在解决非线性回归估计问题上已经得到成功的应用。因此，此次调查提出了在股市预测问题的支持向量机模型上，利用ARMA模型的独特优势试图向用户提供更好的解释力模型的混合方法。股市的真实数据集被使用来研究该模型的预测精度。计算的测试结果是很有前景的。 关键字：BP神经网络，金融时间序列，预测，支持向量机1.引言 股市预测因其高波动和不规则性被认为是具有挑战性的任务。因此，许多模型已经被描绘为投资者提供更精确的预
测。尤其是，人工神经网络（ANN）方法在以前的文献中最为频繁被使用，因为其已知的预测的效率优于其他模型。然而，由于解释神经网络的难度，大多数应用神经网络的研究集中在预测精度。在文献中已被报道，利用人工神经网络模型，以很少的努力提供对破产预测过程更好的理解。此外，由于神经网络的过度拟合在泛化方面具有困难，并且完全取决研究人员的经验或是知识，用于选择大量的包括相关的输入变量，隐含层的大小，学习率以及动量控制参数的预处理。 最近，在1995年首次由Vapnik提出的支持向量机（ＳＶＭ）方法近来被使用在一系列应用中，包括金融股市预测。支持向量机（ＳＶＭ）的基础已经被Ｖａｐｎｉｋ开发，由于许多吸引人的特点以及在广泛的问题上优异的泛化性能使其越来越受欢迎。该制定（formulation）体现了结构风险最小化（SRM）原则被常规神经网络采用，且已被证明优于传统的经验风险最小化原则。SRM泛化误差上限的最小化，用术语来说，就是在训练数据中误差最小化。 此外，SVM的解决方案可能是全局最优解，而其他神经网络模型往往会陷入局部最优解。一般来说，支持向量机技术被广泛认为是艺术分类的状态（the state of art classifier），并且以往的研究表明，SVM预测方法优于神经网络的方法。 最初为解决分类问题开发的SVM技术可以成功地在回归中应用。与模式识别问题只需输出是离散值不同，支持向
2014高教社杯全国大学生数学建模竞赛 承诺书 我们仔细阅读了《全国大学生数学建模竞赛章程》和《全国大学生数学建模竞赛参赛规则》（以下简称为“竞赛章程和参赛规则”，可从全国大学生数学建模竞赛网站下载）。 我们完全明白，在竞赛开始后参赛队员不能以任何方式（包括电话、电子邮件、网上咨询等）与队外的任何人（包括指导教师）研究、讨论与赛题有关的问题。 我们知道，抄袭别人的成果是违反竞赛章程和参赛规则的，如果引用别人的成果或其他公开的资料（包括网上查到的资料），必须按照规定的参考文献的表述方式在正文引用处和参考文献中明确列出。 我们郑重承诺，严格遵守竞赛章程和参赛规则，以保证竞赛的公正、公平性。如有违反竞赛章程和参赛规则的行为，我们将受到严肃处理。 我们授权全国大学生数学建模竞赛组委会，可将我们的论文以任何形式进行公开展示（包括进行网上公示，在书籍、期刊和其他媒体进行正式或非正式发表等）。 我们参赛选择的题号是（从A/B/C/D中选择一项填写）： 我们的报名参赛队号为（8位数字组成的编号）： 所属学校（请填写完整的全名）： 参赛队员(打印并签名) ：1. 2. 3.
指导教师或指导教师组负责人(打印并签名)： （论文纸质版与电子版中的以上信息必须一致，只是电子版中无需签名。以上内容请仔细核对，提交后将不再允许做任何修改。如填写错误，论文可能被取消评奖资格。） 日期：年月日赛区评阅编号（由赛区组委会评阅前进行编号）：
2014高教社杯全国大学生数学建模竞赛 编号专用页 赛区评阅编号（由赛区组委会评阅前进行编号）： 全国统一编号（由赛区组委会送交全国前编号）：全国评阅编号（由全国组委会评阅前进行编号）：
回归分析在股票价格预测中的应用 摘要：随着我国市场经济环境的日益成熟，股市规模的不断扩大，股票价格成为投资者、经济、系统科学领域研究的热点问题，影响股票价格的因素越来越多，预测未来的股票价格变得十分有必要。股票市场的价格数据呈时间序列，本文将运用Eviews软件对股票价格进行多元线性回归模型预测，以国电电力的历史价格为例，预测该股票的次日收盘价。通过对比消除共线性前后的两个模型对次日收盘价的预测结果，验证了利用主成分分析消除共线 性后的多元线性回归方程预测效果更好。 关键词：股票价格；Eviews；多元线性回归；主成分分析 Abstract:With the growing maturity of China's market economy environment, the scale of stock market is expanding.Stock price has become a hot topic in the field of investor, economy and system science.There are more and more factors influencing stock prices,so it is very necessary to predict future stock prices.The price data in stock market being time series,this article will use Eviews software to predict stock price by multiple linear regression model.Taking the historical price of Guodian power as an example,we predict the next closing price of the stock.By comparing the prediction results of the two models before and after collinearity to the closing price of the next day,it is proved that the effect of the multivariate linear regression equation after the use of principal component analysis is better than that of the multi linear regression equation after the elimination of the collinearity. Key words:Eviews; Multiple linear regression; Principal component analysis
1.1.波动率 波动率是用来描述证券价格、市场指数、利率等在它们均值附近上下波动幅度的术语，是标的资产投资回报率的变化程度的度量。股票的波动率σ是用于度量股票所提供收益的不确定性。股票通常具有15%-50%之间的波动率。股票价格的波动率可以被定义为按连续复利时股票在1年内所提供收益率的标准差。当?t 很小时，2t σ?近似的等于在?t 时间内股票价格变化百分比的方差。这说明σ√?t 近似的等于在?t 时间内股票价格变化百分比的标准差。由标准差来表述股票价格变化不定性的增长速度大约为时间展望期长度的平方根（至少在近似意义下）。 1.2.由历史数据来估计波动率 为了以实证的方式估计价格的波动率，对股票价格的观察通常是在固定的时间区间内（如每天、每星期或每个月）。 定义 n+1——观测次数； S i ——第i 个时间区间结束时变量的价格，i =0，1，…n ； τ——时间区间的长度，以年为单位。 令 1ln ,0,1, ,;i i i S u i n S -?? == ??? 1.2.1 u i 的标准差s 通常估计为 s = 1.2.2 或 s = 1.2.3 其中u ?为i u 的均值。 由于i u 的标准差为。因此， 变量s 是的估计值。所以σ本身可以被估计σ∧ ，其中 σ∧ = 可以证明以上估计式的标准差大约为σ∧ 。 在计算中选择一个合适的n 值并不很容易。一般来讲，数据越多，估计的精确度也会越高，但σ确实随时间变化，因此过老的历史数据对于预测将来波动率可能不太相干。一个折中的方法是采用最近90～180天内每天的收盘价数据。另外一种约定俗成成俗的方法是将n 设定为波动率所用于的天数。因此，如果波动率是用于计算量年期的期权，在计算中我们可以采用最近两年的日收益数据。关于估计波动率表较复杂的方法涉及GARCH 模型与EWMA 模型，在下文中将进行详细介绍。 1.3.隐含波动率 首先对于一个无股息股票上看涨期权与看跌期权，它们在时间0时价格的布莱克-斯科尔斯公式为 012()()rT c S N d Ke N d -=- 1.3.1 201()()rT p Ke N d S N d -=--- 1.3.2 式中 21d =
基于GARCH 模型族的中国股市波动性预测 2005级数量经济学专业 倪小平 摘要：本文采用上证综合指数和深证成份指数2000年1月4日—2006年12月27日的每日收盘价对数百分收益率为样本采用GARCH 模型对我国股市波动性进行实证分析。 关键词：GARCH 模型 波动性 预测 一、引 言 波动性是金融市场最为重要特性之一。金融市场在一些时间段内显得非常平静，而在另外一些时间段内剧烈波动。描述波动性的时变特性是非常重要，因为第一，资产风险是资产价格的重要决定因素，投资者要求更高的预期收益作为持有更高风险资产的补偿，因此回报方差的变化对于理解金融市场是非常重要的，事实上，波动性是证券组合理论、资本资产定价模型(CAPM)、套利定价模型(APT)及期权定价公式的核心变量。第二，它与市场的不确定性和风险直接相关，是体现金融市场质量和效率的最简洁和最有效的指标之一。另一方面波动性对企业的投资与财务杠杆决策、消费者的消费行为和模式、经济周期及相关宏观经济变量等都具有重要影响。因此，波动性的估计、预测和影响因素分析一直是金融经济学研究的持续热点。 Engle 于1982年开创性的提出ARCH 模型，Bollerslev 于1986年对其进行扩展，给出了GARCH 模型。如今GARCH 模型族已经成为度量金融市场波动性的强有力工具。 本文的结构如下：首先对所选用的四种GARCH 模型给予了简单的描述；第二部分实证分析，包括：数据的选取与基本统计分析、模型参数的估计以及对波动性的预测和模型的比较；最后是本文的总结。 二、模型概述 1、一般GARCH 模型 ARCH 模型的主要贡献在于发现了经济时间序列中比较明显的变化是可以预测的,并且说明了这种变化是来自某一特定类型的非线性依赖性,而不是方差的外生结构变化。GARCH 模型是ARCH 模型族中的一种带异方差的时间序列建模的方法。 一般的GARCH 模型可以表示为 : 2011',t t t t t q p t i t i j t j i j y x v h h βεεααε θ--===+==++∑∑ 其中1var(|)t t t h ε?-=，1t ?-是时刻t-1及t-1之前的全部信息,其中, t v 独立同分布,且参数满足条件：这里t h 可以理解为过去所有残差的正加权平均,这与波动率的聚集效应相符合,即:大的变化后倾向于有更大的变化,小的变化后倾向于有小的变化。由于GARCH (p,q)模型是ARCH 模型的扩展,因此GARCH(p,q)同样具有ARCH(q)模型的特点。但GARCH 模型的条件方差不仅是滞后残差平方的线性函数,而且是滞后条件方差的线性函数。
数学建模预测股市走向 对于i=2:n YC(I)= yuce(I)-yuce(I-1)；目标 YC(1)= yuce(1)YC = YC ‘； yuze zhi = YC-4 * max 1； 向度武卡= ABS(yuche zhi-X0’)；xdl =向度武卡。/(X0’)p =总和(xdl)/(n-1)；P0=1-p附录5:max 1 = max(x0)x00 = x0+4 * max 1；n =长度(X00)I = 1:n 雷佳(I)=总和(X00(1:I))；目标 对于i=1:n-1YC(1)= yuce(1)YC = YC ‘； yuze zhi = YC-4 * max 1； 向堆乌卡= ABS(yuche zhi-X0’)； r=(最小值(香堆武查)+0.5 *最大值(香堆武查))。/(最大值为+0.5 *的乡镇卫生院(乡镇卫生院))； 15 S11 =(X0-总和(X0)/n)。；s1 =总和(S11)；S1=sqrt(s1/(n-1)) s22=(相对舞-总和(相对舞)/n)。；s2 =总和(s22)；S2=sqrt(s2/(n-1)) C=S2/S1 e=abs(相对值-总和(相对值)/n) S0=0.6745*S1计数= 0；如果e(i)>S0，i=1:n count = count+1；结束计数附件6:max 1 = max(x0)x00 = x0+4 * max 1；n =长度(X00)I = 1:n
雷佳(I)=总和(X00(1:I))；目标 对于k=0:n-1 yuce(k+1)=-82551544.0211446 * exp(-0.00019343 * k)+82567337.0211446；目标 e1 =雷佳-尤奇；对于i=1:n e11(I)=总和(E1(1:I))；目标 对于i=1:n-1 jun zhi(I)=(e11(I)+e11(I+1))/5；目标 junzhi=[junzhi’ ones(n-1，1)]；yn = E1(2:n)； a =(jun zhi ‘ * jun zhi)(-1)* jun zhi ‘ * yn ‘附件7: 16 对于k=245:488 x(k+1-245)=-82551544.0211446 * exp(-0.00019343 * k)+82567337.0211446+197.6106 * exp(-0.0022 * k)；目标 对于k=1:243 榆次(k)= X(k+1)-X(k)-12806；目标 地块([1:243)，榆次)附件8:k = 245:488 x(k+1-245)=-82551544.0211446 * exp(-0.00019343 * k)+82567337.0211446+197.6106 * exp(-0.0022 * k)；目标 对于k=1:243 榆次(k)= X(k+1)-X(k)-12806；目标 对于k=1:244
2014年高教社杯全国大学生数学建模竞赛 校内选拔赛 2013年12月2日 股票市场的股价模型研究
摘要 股票本身没有价值，但它可以当做商品买卖，并且有一定的价格，股票的市场价格即股票在股票市场上买卖的价格。目前，股票已经成为我国大众投资的主要渠道之一。本文以上海股市2011年1月到2012年12月的数据为依据，分别对三个问题建立模型求解。 问题（1），根据上海股票市场在该段时间内综合指数历史交易，以市场布林线算法为评价标准划分时期,并建立不同时期的多指标模糊综合评价模型；并据此划分为四个时期，并且分析每一阶段的具体情况。 问题（2），根据2011/1/1到2012/11/30每天的收盘价，采用三次指数平滑方法对上证指数进行预测；我们利用了12月1日至12月4日的上证指数与预测的验证，其结果相差仅为0.00003，在实际中可以接受，验证了我们模型的准确性。 问题（3），我们建立成交量进程时间假设，描述股价变化所依托的经济学期。根据2011-2012这短时间的成交量与对应收盘价的数据，分析得出成交量与收盘价的关系，并利用这一结论去预测2013年部分月份的股价情况，得出相应的结果，这就证明了我们模型的正确性。 最后，对该问题做了更深刻的探讨，对模型的优缺点进行评价。 关键词：布林线算法;模糊综合评价法; 三次指数平滑法.成交量进程时间假设；成交量；收盘价； 一问题重述
中国股市上证指数数据为例，选取2011年1月到2012年12月的数据，分析以下问题： 1、对中国股市上证指数在该时间段（2011.1—2012.12）的走势情况做出定量的综合评价，并按照你划定的时期分析各个时期的发展状况。 2、依照2012年12月以前的主要统计数据，对中国股市上证指数股票市场的发展趋势做出预测分析，并利用中国股市上证指数12月以后的统计数据验证你的模型。 3、对于股票价格的研究，传统的股价研究方法是按照均匀日历时间间隔采样，即假定股价是基于均匀的日历时间间隔推进的。但后期的研究者研究表明：成交量影响股票收益率的自相关性、互自相关性和惯性效应。股价的变化与市场上的信息有很大的关系，实证表明：股价的调整并不是以均匀的日历时间进程推进的，它有自己独立的时间推进进程。后期的大多数研究者将成交量作为金融或宏观经济事件的信息量的一种度量方法，这大大推动了股价的以成交量推进的实证和理论的研究。试建立成交量推进进程下的股价模型，并进一步分析所建立的模型的有效性和可行性。 二问题分析 关于问题一：根据上海股票市场在该段时间内综合指数历史交易，以市场布林线算法确定股市涨跌震荡强弱并据此划分时期,。并建立不同时期的多指标模糊综合评价模型。 关于问题二：通过对2011年11月到2012年12月上海交易所综合股价指数变化趋势的分析, 可以看出上海证券交易所上证指数走势曲线存在非线性趋势, 因此采用三次指数平滑方法进行对其滤波处理, 消除其中的跳点和拐点, 以获得更有规律性的数据, 然后对滤波后的数据用三次指数平滑方法。 关于问题三：传统的股价分析都是建立在以日历时间为基础的固件数据上，但事实上股价不是完全跟随绝对的日历时间而变化的，比如信息的快速传播就有可能会导致股价在很短的时间巨变，所以基于这种数据的分析是不完善的，股价的变化有着它自己的经济学周期。我们引入成交量进程时间来描述这一周期。通过分析成交量与收盘价的相关性，得出成交量进程下的股价变化趋势，并且用2012年12以后的成交量与对应的收盘价验证模型的合理性。 三模型假设 1 未来的行情由现在的行情决定 2 股市仅受股市平均市盈率，经济增长数据，人民银行公布和调整存货利率与国家公布的宏观经济数据CPI影响。 3.股市受股市信息的影响，成交量发生变化，进而有股价的变化，在成交量进程时间内股价与成交量有相关性。 四符号说明