基于小波神经网络Shibor预测.docVIP

基于小波神经网络Shibor预测摘　要：上海银行间同业拆放利率（Shibor）的推出是中国利率市场化重要的一步。通过分别建立小波神经网络和回归时间序列组合模型预测2周品种Shibor并作对比分析，结果表明小波神经网络的拟合和预测精度较高，具有一定的科学性和实用性。 关键词：Shibor；小波神经网络；回归时间序列组合；预测 中图分类号：F830 文献标识码：A doi:10.3969/j.issn.1672-3309（s）.2012.04.15 文章编号：1672-3309（2012）04-34-02 一、引言 基准利率的形成是利率市场化的重要前提。以货币市场利率为中介，由市场供求决定金融机构存贷款利率的市场利率体系机制已成为趋势[1]，如英国的Libor、美国的联邦基金有效利率和香港的Hibor等。各国、地区的中央银行通过对基准利率的调控来协调资金供求，实现货币政策目标。 资金在不同金融市场之间流动，影响其流向的一个重要因素是资金成本，而衡量资金成本则需要一个反映市场供求的基准利率[2]。2007年1月4日上海银行间同业拆放利率(Shanghai Interbank Offered Rate，简称Shibor)的推出正是央行为打造中国金融市场的基准利率而采取的一个重要举措。 目前，国内许多学者展开了对Shibor理论的探讨和研究，大多数从Shibor的利率市场化及作用进行分析，如姚秦（2007）、刘喜波（2008）、苏昌蕾（2011）等[3-5]。对于Shibor的预测文献比较少，而且假设的条件、采取的方法以及考虑的变量也不同。周颖颖等（2009）利用带跳Vasicek单因子利率模型预测3个月的Shibor报价，但其样本量有限，未考虑多因子模型描述Shibor的适用性[6]。田敏等（2009）应用ARMA模型对1周的Shibor价格进行分析，预测结果与真实值误差偏大[7]。杨宝臣和苏云鹏(2010)使用Shibor日观测数据对预期理论进行检验，结果发现短端和长端利率分别存在波动趋势和线性漂移趋势，进而得出预期理论对这两类利率分别适用，但是对整体并不适用的结论[7]。 综上，目前针对Shibor的理论研究和实践处于摸索阶段，其走势需要利用模型仿真测试。本文根据2007年1月4日至2012年4月25日的2周Shibor数据建立小波神经网络模型对利率进行预测研究，并和回归时间序列组合模型比较预测精度。通过建立的模型以提高商业银行的抗风险能力，并指导金融产品创新及利率风险管理实践。 二、数据来源 选取的自变量为2周品种的Shibor的5日均值、10日均值和20日均值，5日（10日，20日）均值表示最近5个（10个，20个）交易日Shibor的简单算术平均值（包括当日），以当日的该品种Shibor报价作为因变量。所有的2周品种的Shibor数据均来源于上海银行间同业拆放利率网[8]。 三、实证分析 小波神经网络是一种多输入单输出的前馈型神经网络，是基于小波分析理论所构成的一种崭新的神经网络模型。它充分利用小波变换良好的局部化性质,并结合人工神经网络强大的自学习能力,因而具有较强的逼近能力，可以任意精度逼近任意非线性函数。对同样的学习任务，小波网络结构更简单,收敛速度更快。 建立小波神经网络的结构为3-6-1，即输入层有3个节点，表示Shibor的5日均值、10日均值和20日均值，隐含层有6个节点，输出层有1个节点为当日的Shibor报价。网络的权值和小波基函数在参数初始化过程中随机得到。利用MATLAB软件以2007年1月4日至2011年12月31日共1250个2周的Shibor数据作为训练样本，反复训练100次。用训练好的小波神经网络预测2012年1月4日至2012年4月25日Shibor的报价。 训练后的小波神经网络预测结果如图1所示。从图1可以看出，小波神经网络与实际结果非常接近，且大致与原数据形成的趋势吻合。其平均相对误差为0.1356，表明其预测结果可以接受。 同时，利用Eviews软件以2007年1月4日至2011年12月31日共1250个2周的Shibor品种5日均值x1、10日均值x2和20日均值数据建立回归时间序列组合模型： ■=1.4398x1-0.8569x2+0.4171x3+0.4854AR(1) （29.31） (-12.05) (8.89) (17.86) 此时R2=0.934，DW=1.95。因此，回归时间序列组合模型参数估计量有效性得到提高。同理，利用该模型对2012年1月4日至2012年4月25日Shibor的报价进行预测，获得其平均相对误差为0.4319。 显然，从两个模型的预测结果可知小波神经网络的预测精度优于回归时间序列组合模