基于最小二乘小波支持向量机股指波动率预测.docVIP

基于最小二乘小波支持向量机股指波动率预测 　　[摘 要] 为提高金融波动率的预测精度，用极差估算股指波动率，建立了基于最小二乘小波支持向量机（LS-WSVM）的波动率预测模型，以上证综指和深证成指的日数据、周数据和月数据为数据样本，通过LL、NMSE、NMAE指标验证了LS-WSVM在波动率预测方面的有效性。结果表明，LS-WSVM用于波动率预测是有效的，对不同频率波动率的预测精度优于高斯核LS-SVM，在预测较低频率波动率中表现更好，不同小波核之间的预测精度相差不大。 　　[关键词] 波动率；预测；最小二乘小波支持向量机 　　doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2018. 01. 042 　　[中图分类号] F830.9；TP183 [文献标识码] A [文章编号] 1673 - 0194（2018）01- 0104- 04 　　1 前 言 　　金融衍生品定价、资产组合配置、金融风险测度及管理都离不开对波动率的准确预测。对波动率的准确预测，一方面有助于研究者进行资产定价、套利定价和期权定价的理?研究，另一方面有助于市场监管者对金融市场运行质量进行准确评估，同时又有助于投资者对投资组合进行合理配置，有效规避投资风险。为此，国内外学者不断提出各种方法提高波动率的预测准确性。Engle和Bollerslev提出的自回归条件异方差类模型[1-2]及其扩展形式以资产收益的条件方差估计波动率，能够较好地刻画波动率的各种特征，在波动率预测中占有重要地位。 　　为进一步提高波动率的预测精度，Donaldson等[3]将神经网络（NN）与GARCH模型相结合预测股指波动率，Taylor[4]、Tae[5]分别利用NN预测股指波动率。这些研究证实，NN可以在一定程度上改善波动率的预测效果。但神经网络以经验风险最小化作为计算准则，在理论上存在三个问题：网络结构难以确定、存在局部极小值、收敛速度慢。由Vapnik提出的支持向量机（SVM）[6]是当前重要的机器学习算法之一，有效解决了神经网络遇到的问题。SVM的本质是求解一个带约束条件的凸二次规划问题，通过结构风险最小化准则，兼顾了学习算法的经验风险和泛化能力，在非线性回归和预测中表现优越。Perez-Cruz[7]利用SVM估计GARCH模型，进而提高了波动率的预测精度；Gavrishchaka[8]证实SVM的波动率预测效果优于“主流”波动率模型；陈诗一等[9]、王保华等[10]分别将SVM应用于波动率预测研究，证明了SVM的有效性。汤凌冰[11]利用小波核提高SVM非线性逼近能力，实证研究表明，基于小波核的SVM较基于RBF核的SVM具有更高的波动率预测精度。SVM算法的复杂性取决于数据样本的个数，样本越多，相应二次规划问题求解越复杂，计算效率越低。 　　最小二乘支持向量机（LS-SVM）是SVM的一种扩展形式[12]，将最小二乘算法引入到SVM中，取代了SVM的二次优化算法，通过定义拉格朗日函数，并结合最优条件，将SVM中的二次规划优化变换为线性方程求解，从而降低了算法的复杂性，提高了计算效率。Geng[13]成功地将LS-SVM应用于波动率预测研究。 　　核函数是LS-SVM模型的关键，LS-SVM的预测性能取决于核函数的选择。以高斯核函数为代表的常见核函数，在回归分析表现出较好的映射性能。但研究发现，这些已有核函数不能使LS-SVM逼近平方可积空间L2（R2）上的任意函数，致使LS-SVM 无法逼近任意的目标函数[14]。 　　最小二乘小波支持向量机（LS-WSVM）以小波核为核函数，利用小波函数的多分辨率提高LS-SVM的非线性处理能力[15]，在模式识别和非线性函数逼近等方面获得应用。目前LS-WSVM在波动率预测领域的应用很少，本文将LS-WSVM应用于波动率预测研究，通过对上证综指和深证成指不同频率波动率的实证分析，检验LS-WSVM的有效性。 　　2 波动率的最小二乘小波支持向量机 　　金融经济学研究中通常以方差估计资产收益的波动率。Parkinson证实极差能够捕捉到更多金融市场的变化信息，以极差估计波动率要比传统的样本方差估计更有效[16]。极差Rt定义为： 　　Rt=100×（log Pt，high-log Pt，low）（1） 　　其中，Pt，high与Pt，low分别为t时刻资产的最高交易价与最低交易价。为了获得更多数据变化信息，本文以当期和前4期极差的算术平均值估算波动率λt： 　　lt=Rt-k（2） 　　采用LS-WSVM算法建立波动率预测模型时，为减少预测误差的累积，利用当期波动率预测下一期波动率，即LS-WSVM的输入为当期波动率，输出为下一期波动率。设波动率时间序列为∧={