基于支持向量机利率期限结构研究.docVIP

基于支持向量机利率期限结构研究 　　摘要:支持向量机具有良好的非线性函数逼近功能,是一种重要的研究利率期限结构的非参数化方法#65377;文章建立了基于支持向量机的利率期限结构模型,并对其进行了估计,然后与传统的及神经网络的方法进行了对比,结果充分显示了支持向量机的良好性能,精确度也得到了进一步的提高#65377; 　　关键词:利率期限结构;非参数化;神经网络;支持向量机 　　 　　一#65380; 利率期限结构研究现状 　　 　　利率期限结构的研究始终受到了广大学者的关注,从19世纪末开始主要是对利率期限结构进行了定性分析,对利率期限结构进行了不同的假设和描述#65377;到了20世纪70年代,许多学者开始对利率期限结构进行定量分析,从不同的角度提出了许多模型,比较重要的模型有均衡模型,如Merton模型#65380;Vasicek模型#65380;CIR模型和Brenman―Schwartz模型等;无套利模型如Ho―Lee模型#65380;Hull―White模型和Black―Derman―Toy模型等#65377;但这些参数化模型事先对利率的概率分布形式进行了假设,如Vasicek模型假设短期利率的变化服从正态分布,CIR模型假设短期利率的变化服从非中心的卡方分布等#65377;Brown和Dybvig于1986年对CIR模型进行了实证检验,他们发现利率模型的长期均值和波动率两个参数不能保持稳定,这表明模型的假设有误,因此参数化模型存在一定的局限性#65377; 　　非参数化模型事先不需要进行假设,而是直接利用非参数化的方法用样本数据对其进行估计,对非参数化模型进行研究的主要有,如由A#8226;t―Sahalia于1996年提出利用非参数化的核估计法对利率模型中的波动率进行了估计;Stanton利用近似非参数的泰勒级数展开原理,对利率模型中的漂移率和波动率进行了推导计算;George J#8226;Jiang和John Knight在A#8226;t―Sahalia模型的基础上,对利率模型的漂移率也进行了近似非参数估计等,并且这些非参数化模型都显示出了良好的实证效果#65377; 　　神经网络是一项发展非常迅速的人工智能技术,它具有良好的非线性逼近功能,其作为一种非参数化的方法对利率期限结构的研究也得到了应用,如Tappinen(1998),Fathi Abid和Mona Ben Salah(2002)分别运用多层感知器神经网络从不同的角度对利率期限结构进行了估计;Cottrell#65380;De Bodt和Gregoire(1996)运用自组织映射(self―organizing map,SOM)神经网络对利率期限结构进行了估计;周万隆和胡雅丽(2003)利用B―P神经网络对我国的国债利率期限结构 　　进行了实证研究等,并且进一步提高了精确度,但神经网络无法克服其局部极值问题#65377;本文利用性能更好的SVM的方法,建立非线性回归的多维时间序列预测模型去模拟利率期限结构#65377; 　　 　　二#65380; 基于SVM的预测模型 　　 　　SVM最初是由Vapnik等首先提出的方法,是建立在统计学习理论的VC维(Vapnik―Chervonenkis dimension)理论和结构风险最小原理基础之上的,它是根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳,以期获得最佳的推广能力#65377;SVM在非线性回归分析中表现出了极好的性能,目前在金融市场中的时间序列预测领域也得到了广泛的应用#65377; 　　1. 非线性回归的支持向量机#65377;用SVM估计回归函数的思想就是通过一个非线性映射,把输入空间的数据映射到一个高维特征空间,然后在此空间做线性回归#65377; 　　 　　 　　 其中构造上面的决策函数的学习机器就称之为支持向量机,其中K(Xi,Xj)称为核函数,核函数主要有多项式核函数#65380;RBF核函数和Fourier核函数等#65377; 　　2.支持向量机的优势#65377;从以上的推导分析可以看出SVM的非线性回归有更明显的优势:第一,SVM在有限样本情况下,其目标是得到现有信息下的最优解而不仅仅是样本趋于无穷大时的最优值;第二,从以上的SVM算法理论可知,SVM最终得到的是全局最优点,解决了神经网络方法中的局部极值问题;第三,SVM把实际问题通过非线性变换转换到高维的特征空间,从而使其有更好的推广能力#65377; 　　 　　三#65380; 建立利率期限结构模型 　　 　　1. 分析问题,选取样本#65377;利率的期限结构是指债券的收益率与期限之间的关系,也可表示为某一时间点零息票债券的收益率与期限的关系#65377;由于国