×

使用人工神经网络和模糊推理系统改进EGARCH模型的预测。 (英语) Zbl 1497.62242号

摘要:本文提出了一个创新性的半参数非线性模糊-EGARCH-ANN模型解决了预测股市波动性的精确建模问题。该模型由FIS、ANN和EGARCH模型组合而成。由于所提出的模型是高度非线性的,并且基于梯度的参数估计方法可能无法为高度非线性模型提供全局最优参数,因此该研究决定使用进化算法代替。特别地,提出了一种差分进化(DE)算法来解决所提出的模型的参数估计问题。在此基础上,从上述三个模型出发,从数学上建立了半参数非线性模糊EGARCH-ANN模型,并利用该模型对数据进行了仿真。仿真后,利用微分进化算法对仿真数据进行了参数估计。最后,我们可以看到,该模型能够很好地捕捉到EGARCH模型忽略的高度非线性和复杂金融时间序列数据的波动聚类和杠杆效应。

MSC公司:

62M10个 统计学中的时间序列、自相关、回归等(GARCH)
62M45型 神经网络及从随机过程推断的相关方法
62M86型 随机过程的推理与模糊性
91G15型 金融市场
91克70 统计方法;风险措施

软件:

;FinTS公司
PDF格式BibTeX公司 XML格式引用
全文: 内政部

参考文献:

[1] 右虚线。;Dash,P.K.,波动率预测的进化混合模糊计算高效EGARCH模型,应用软计算,45,40-60(2016)·doi:10.1016/j.asoc.2016.04.014
[2] Donaldson,R.G。;Kamstra,M.,国际股票收益波动的人工神经网络GARCH模型,实证金融杂志,4,1,17-46(1997)·doi:10.1016/s0927-5398(96)00011-4
[3] Pagan,A.R。;Schwert,G.W.,条件股票波动性的替代模型,《计量经济学杂志》,45,1-2,267-290(1990)·doi:10.1016/0304-4076(90)90101-x
[4] Pagan,A.R。;Schwert,G.W.,《衡量和测试新闻对波动性的影响》,《金融杂志》,48,51749-1778(1993)·doi:10.1111/j.1540-6261.1993.tb05127.x
[5] 比尔迪里奇,M。;Ersin,O.,《马尔可夫切换ARMA-GARCH神经网络模型建模及其在股票收益预测中的应用》,《科学世界杂志》,2014(2014)·doi:10.1155/2014/497941
[6] Hung,J.C.,在Fuzzy-GARCH模型下使用稳健卡尔曼滤波器预测波动性,国际商业和信息会议论文集
[7] 曾,C.-H。;程世通。;Wang,Y.-H.,RETRACTED:股票波动率预测的新混合方法,应用专家系统,36,2,1833-1839(2009)·doi:10.1016/j.eswa.2007.12.004
[8] 哈吉扎德,E。;塞菲,A。;Fazel Zarandi,M.H。;Turksen,I.B.,《预测标准普尔500指数收益波动性的混合建模方法》,《应用专家系统》,39,1,431-436(2012)·doi:10.1016/j.eswa.2011.07.033
[9] Tarsauliya,A。;卡拉,R。;蒂瓦里,R。;Shukla,A.,使用进化混合人工神经网络预测金融时间序列波动率,《网络安全与应用进展》,196463-471(2011)·doi:10.1007/978-3-642-22540-644
[10] Hung,J.-C.,应用组合模糊系统和GARCH模型自适应预测股市波动,应用软计算,11,5,3938-3945(2011)·doi:10.1016/j.asoc.2011.02.020
[11] Maciel,L.,《股票市场波动性预测的混合模糊GJR-GARCH建模方法》,《巴西金融评论》,10,3,337-367(2012)
[12] Chang,J.-R。;魏立英。;Cheng,C.-H.,用于台湾加权指数预测的基于AR和波动性的混合ANFIS模型,应用软计算,11,11338-1395(2011)·doi:10.1016/j.asoc.2010.04.010
[13] Wei,L.-Y.,基于多重股市波动因果关系的GA-weighted ANFIS模型,用于TAIEX预测,应用软件计算,13,2,911-920(2013)·doi:10.1016/j.asoc.2012.08.048
[14] 魏立英。;Cheng,C.-H。;Wu,H.-H.,基于n期移动平均模型的混合ANFIS预测TAIEX股票,应用软计算,19,86-92(2014)·doi:10.1016/j.asoc.2014年1月02日
[15] Kablan,A.,《利用日内季节性观察进行金融交易的自适应神经模糊推理》,世界科学、工程和技术学院,34479-488(2009)
[16] Engle,R.F.,英国通货膨胀方差估计的自回归条件异方差,《计量经济学》,50,4,987-1007(1982)·Zbl 0491.62099号 ·doi:10.307/1912773
[17] Bollerslev,T.,广义自回归条件异方差,计量经济学杂志,31,3,307-327(1986)·Zbl 0616.62119号 ·doi:10.1016/0304-4076(86)90063-1
[18] Tsay,R.S.,《金融时间序列分析》,543(2005),美国纽约州霍博肯市:美国纽约州霍博肯市约翰·威利父子公司·Zbl 1086.91054号
[19] Kristjanpoller,W。;Fadic,A。;Minutolo,M.C.,使用混合神经网络模型进行波动性预测,应用专家系统,41,5,2437-2442(2014)·doi:10.1016/j.eswa.2013.09.043
[20] Arneric,J。;Poklepovic,T。;Aljinovic,Z.,基于GARCH的人工神经网络预测股票收益的条件方差,《克罗地亚运筹学评论》,5,2,329-343(2014)·Zbl 1359.62439号 ·doi:10.17535/crorr.2014.0017
[21] 卢,X。;奎,D。;Cao,G.,基于混合人工神经网络和GARCH型模型的波动率预测,《Procedia Computer Science》,91,1044-1049(2016)·doi:10.1016/j.procs.2016.07.145
[22] White,H.,《使用神经网络进行经济预测:ibm每日股票收益案例》,IEEE神经网络国际会议论文集·doi:10.1109/icnn.1988.23959
[23] White,H.,单层前馈网络模型中学习的一些渐近结果,美国统计协会杂志,84,408,1003-1013(1989)·Zbl 0721.62081号 ·doi:10.1080/01621459.1989.10478865
[24] 宽,C.-M。;White,H.,《人工神经网络:计量经济学的视角》,《计量经济学评论》,13,1,91-1(1994)·Zbl 0832.62101号 ·网址:10.1080/07474939408800273
[25] Haykin,S.S。;Haykin,S.S.,《卡尔曼滤波和神经网络》(2001),美国纽约州霍博肯市:美国纽约州霍博肯市威利在线图书馆
[26] Hornik,K.,多层前馈网络的逼近能力,神经网络,4,2251-257(1991)·doi:10.1016/0893-6080(91)90009-t
[27] Hornik,K.,神经网络近似的一些新结果,神经网络,6,8,1069-1072(1993)·doi:10.1016/s0893-6080(09)80018-x
[28] 波波夫,A.A。;Bykhanov,K.V.,《使用模糊GARCH模型模拟时间序列的波动性》,第九届俄罗斯-韩国国际科学技术研讨会论文集,2005年,韩国·doi:10.10109/korus.2005.1507875
[29] Takagi,T。;Sugeno,M.,系统的模糊识别及其在建模和控制中的应用,《智能系统的模糊集读数》,387-403(1993),荷兰阿姆斯特丹:爱思唯尔,荷兰阿姆斯特丹·doi:10.1016/b978-1-4832-1450-4.50045-6
[30] Ying,H.,《模糊控制与建模:分析基础与应用》(2000),美国新泽西州霍博肯:Wiley IEEE出版社,美国新泽西州霍博肯
[31] Zadeh,L.A.,模糊集,信息与控制,8,3,338-353(1965)·Zbl 0139.24606号 ·doi:10.1016/s0019-9958(65)90241-x
[32] Zadeh,L.A.,《软计算和模糊逻辑、模糊集、模糊逻辑和模糊系统:Lotfi A Zadew的论文选集》,796-804(1996),新加坡:世界科学出版社,新加坡·Zbl 0873.01048号
[33] 王丽霞。;Mendel,J.M.,模糊基函数,通用逼近和正交最小二乘学习,IEEE神经网络汇刊,3,5,807-814(1992)·数字对象标识代码:10.1109/72.159070
[34] Chiu,S.L.,基于聚类估计的模糊模型识别,智能与模糊系统杂志,2,3,267-278(1994)·doi:10.3233/ifs-1994-2306
[35] 马谢尔,L。;戈米德,F。;Ballini,R.,金融波动建模和预测的进化模糊GARCH方法,计算经济学,48,3,379-398(2016)·doi:10.1007/s10614-015-9535-2
[36] 斯托恩,R。;Price,K.,差分进化——连续空间上全局优化的一种简单有效的启发式算法,《全局优化杂志》,11,4,341-359(1997)·Zbl 0888.90135号
[37] 张杰。;Sanderson,A.C.,JADE:具有快速可靠收敛性能的自适应差分进化,2007年IEEE进化计算大会论文集·doi:10.1109/cec.2007.4424751
[38] 张杰。;Sanderson,A.C.,JADE:具有可选外部存档的自适应差分进化,IEEE进化计算汇刊,13,5,945-958(2009)·doi:10.1109/tevc.2009.2014613
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配,可能包含数据转换错误。在某些情况下,zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献,而不要求完整或完全匹配。