机器学习在股票市场波动率预测中的比较研究.docxVIP

机器学习在股票市场波动率预测中的比较研究

一、引言

股票市场波动率作为衡量资产价格波动程度的核心指标，是投资者评估风险、制定资产配置策略的重要依据，也是金融机构进行衍生品定价、风险管理的核心参数（BlackScholes，1973）。准确预测波动率不仅能帮助投资者规避市场风险、提升投资收益，还能助力监管部门监测市场稳定性，防范系统性金融风险。

传统的波动率预测方法以ARCH类模型为代表，Engle于某年提出ARCH模型，首次将波动率的自相关性纳入预测框架，随后Bollerslev在此基础上扩展出GARCH模型，成为长期以来金融领域波动率预测的主流工具（Engle，1982；Bollerslev，1986）。然而，这类模型存在明显局限性：一方面，它们假设波动率的变化遵循线性结构，难以捕捉股票市场中由投资者情绪、宏观政策调整、突发事件等因素引发的复杂非线性关系；另一方面，这类模型对数据分布有严格假设，而实际股票市场数据往往呈现尖峰厚尾特征，不符合正态分布假设，且难以有效整合多源高维数据（PoonGranger，2003）。

随着机器学习技术的快速发展，其强大的非线性拟合能力、高维数据处理能力为股票波动率预测提供了新的解决方案。早在上世纪90年代，就有学者尝试将神经网络应用于金融时间序列预测，证实了机器学习模型在捕捉市场复杂规律上的优势（Hutchinsonetal.，199