论文部分内容阅读
在现代金融理论中,有两个金融市场的基本活动，它们分别是风险评估和资产定价，在对这两个基本活动的实践中我们都会遇到一个度量指标，也就是我们经常说的资产收益波动率。在投资组合的安排中，以及金融风险管理的理论和实践中，它是对资产收益不确定性的衡量，代表了资产的风险状况，因此能够准确的测量，乃至预测金融资产的波动率是金融市场研究的重要问题之一。在对于资产波动率的测量方法的研究中，国内外的专家学者，多年来已经产生了大量的文献著作，和实践结果，并取得了显著的研究成就。事实上，Engle于1982年首次提出的自回归条件异方差理论（即ARCH模型）就如同里程碑一样开启了异方差模型的大门，这一模型方法便被广而传之，随后的研究者们为了进一步刻画金融资产收益率的观测特性—包括：尖峰厚尾，聚集性，持续性等，于是不断对ARCH模型进行拓展与改进，相继提出了GARCH、EGARCH、TGARCH、GJRGARCH、NAGARCH、APARCH等模型，其中最著名的莫过于Bollerslev在1986年提出的GARCH模型，即广义自回归条件异方差模型，它是对ARCH模型的一种最常见的推广形式，以至于我们将之后提出EGARCH等模型，统称为参数GARCH模型。可是，参数模型有其最大的弊端，也就是需要具体参数形式以及各种条件假设，因此也就造成了模型的局限性。研究者们为了突破这些假设限制，于是提出了另一类新的方法，即非参数GARCH模型。但是，研究者们同时也发现，非参数方法虽然避免了假设限制，却也存在其自身的诸多缺陷，例如，过度依赖大样本数据，维数灾，以及缺乏解释性等问题。因此在近几年的研究中，许多研究者尝试使用半参数GARCH模型来测量金融资产的波动率，这类模型不仅拥有非参数模型较好的拟合和预测能力，同时兼具传统参数模型的解释能力，可以较好测量金融资产的波动率变化。通常，半参数GARCH模型是由GARCH模型和另一种非参数方法杂交而成，例如：小波分析、局部多项式回归，Copula函数等，而本文对于中国股市的波动率研究正是基于神经网络算法和GARCH类模型族混合的半参数方法。本文在已有模型的基础上使用一种新的神经网络算法与GARCH模型结合，并总结和对比了这一类半参数GARCH模型族与传统参数GARCH模型族在中国市场上分析和预测能力的差别，且得到了较好的结果。