基于LSTM与多GARCH型混合模型的股价波动性预测的实证分析

作     者：田晓丹 

作者单位：哈尔滨工业大学 

学位级别：硕士

导师姓名：付永强

授予年度：2019年

学科分类：02[经济学] 0202[经济学-应用经济学] 020204[经济学-金融学（含∶保险学）] 07[理学] 070104[理学-应用数学] 0701[理学-数学] 

主      题：中证500指数 波动性 杠杆效应 GARCH模型 LSTM模型 

摘      要：金融市场具有极强的流动性同时也具有着一定振幅的波动性,现实生活中它总是一把“双刃剑,一方面对于社会经济金融的发展能够起到明显有效地催化剂作用,另一方面,市场自身也存在着一定的风险。通过官方近十年来对我国股票数据的统计显示,我国股市出现两次令人闻风丧胆堪称“股灾的大幅波动,因此对于我国股市的波动性能够进行全面的掌握,针对我国股市波动性的深入研究就显得日益迫切,这对于股民如何进行理性的投资来说也是非常重要的。纵观近年来,神经网络系统模型与传统时间序列模型发展迅速,并被越来越多的应用于金融市场等领域。本文创新的提出建立神经网络模型与时间序列模型的混合模型,应用其对我国股票市场波动性的掌握与预测进行深入研究。本文着眼于股票数据,以中证500指数日收益率为研究对象,应用工具软件对选取的研究数据进行一系列的统计分析,得到其对数收益率序列具有波动聚集性、尖峰厚尾性、右偏性等特征,序列存在平稳、无自相关等特性且残差序列存在ARCH效应。然后建立基于学生t分布和广义误差GED分布的GARCH族模型,结果发现t分布下GARCH族模型拟合效果最优,进而得到各模型的估计参数,并将它们一同作为混合LSTM模型的输入。最后本文创新的建立LSTM深度神经网络模型与一到三个GARCH族模型相结合的混合模型,对收盘价进行预测,预测结果显示多混合模型GET-LSTM模型在所有的混合LSTM模型中拟合效果最优,预测误差最小。进而根据论文分析结果,从信息披露、政府干预、新品种开发、投资者教育、市场监管等角度提出一些建议。