一、非线性GARCH模型在中国股市波动预测中的应用研究（论文文献综述）
钱玲玲[1]（2021）在《中国大陆股市与国际主要股市的相依性、风险溢出与影响因素研究》文中研究说明随着中国经济的快速发展和金融市场一体化进程的加速,中国大陆与全球主要经济体之间的经济、贸易和金融联系日益紧密,其金融市场呈现出非线性、非对称性、尾部相依性等复杂的相依关系。与此同时,风险在国际金融市场间的传导速度也在不断加快,风险度量和管理的难度日益增加。因此,准确地描述金融市场相依性、有效地度量金融风险以及合理地检验风险溢出已成为现代金融分析亟待解决的关键问题。探究中国大陆股市与国际主要股市的相依性、风险溢出与影响因素对于促进我国大陆金融市场的国际化和维护经济金融安全具有重要的理论和现实意义。在金融市场相依性和风险管理的研究和实践中,金融市场的非线性相依、尾部相依等特征已导致传统的相依性与风险溢出分析方法不再适用,Copula理论的出现及其成功应用提供了一个很好的解决方案。基于此,本文综合利用Copula函数等计量方法来描述金融市场间复杂的相依性,更准确地进行风险度量和风险溢出检验。具体而言,为了研究中国加入WTO后中国大陆股市与中国香港、中国台湾、美国、日本、韩国、澳大利亚、英国、法国、德国、巴西、俄罗斯、印度股市的相依性、风险溢出与影响因素,本文首先构建了四种边缘分布模型,从而选取描述样本股市收益率边缘分布的最优模型,为正确利用Copula函数进行分析奠定了基础。研究发现,非参数ARMA-GARCH族-EVT模型最适于描述样本股市的边缘分布。其次,在相依性建模阶段,本文利用了9种静态Copula函数、3种时变Copula函数和DCC-GARCH模型对上证综指与其他样本股指两两组合的相依结构进行刻画。结果表明,在样本期间,中国大陆股市与国际主要股市的相依性整体较弱,且具有显着的时变性与区域性特征。进一步,结构突变点的诊断结果表明,中国大陆股市与国际主要股市的相依性受到金融危机等事件的影响,表现出显着的阶段性特征。再次,在经济基础说、资本流动说和市场传染说的基础上,本文从经济政策不确定性、共同冲击、宏观经济状况和股市特性四个方面探究了中国大陆股市与国际主要股市相依性的影响因素。面板回归结果显示,经济政策不确定性差异和利率差异显着降低了股市相依性,而全球金融危机和贸易依存度产生了正面影响。此外,本文在考察股票这一类资产内部不同国家（地区）相依性的基础上,进一步探讨了股票资产与其他金融资产的相依性。具体而言,本文以近年来新兴的数字货币资产为代表,利用Copula函数、DCC-TGARCH和DCC-MIDAS模型探究了全球股市与数字货币市场的跨资产类别相依性以及经济政策不确定性和新冠肺炎疫情对其的影响。结果表明,全球股市组合与数字货币市场指数CRIX间的相依性较低,说明数字货币对股市具有一定的风险对冲能力,并且经济政策不确定性与新冠肺炎疫情有一定影响。最后,考虑到Vine Copula模型在描述多变量间复杂相依结构方面的优势,本文利用三种Vine Copula模型进行分析建模,以确定最优模型。结果表明,R-Vine Copula最适于描述中国大陆股市与国际主要股市的高维相依结构,且样本股市的相依性存在明显的结构差异。基于R-Vine Copula模型,本文结合蒙特卡洛模拟法和基于滚动时间窗的估计样本外预测方法估计了各股指及其组合的在险价值（Va R）,进而选用Va R-Granger因果检验与Diebold&Yilmaz溢出指数探究了中国大陆股市与国际主要股市的风险溢出。结果表明,从中国大陆股市到美国、法国和德国股市均表现出了极端风险的溢出效应。从风险溢出强度的结果来看,中国台湾、中国大陆、中国香港、美国、英国、日本股市是风险溢出的净输出者,而俄罗斯、巴西、德国、韩国、印度、法国与澳大利亚股市是风险溢出的净接受者。本文主要有以下三点启示:其一,制定相关政策,防范国际金融市场的系统性风险,加快推进央行数字货币;其二,改善宏观基本面,加强金融市场建设,稳步推进对外开放和国际合作;其三,充分考虑全球股市间及其与数字货币市场的相依性与风险溢出以及当前的经济政策不确定性,从而更准确地预测国际金融市场的走势。
欧阳玉龙[2]（2021）在《基于金融时间序列与深度神经网络的股票市场预测性研究》文中研究说明在经济全球化、金融一体化的今天,股票市场不断复杂化,呈现出诸多经典金融分析无力解释的背离现象,但与此同时,一些经典金融统计特征却有着惊人的相似性。这表明股票市场虽然错综复杂,但却存在普适规律,可以通过数据挖掘找寻到它背后的运行规律。本文旨在通过整理现有文献资料和股市信息,明晰我国A股市场发展动态,找出其潜在影响因子,在传统金融分析的基础上构建了投资者预期指标,度量投资者情绪。紧接着选取综合类指数、分类指数、样本类指数等股票数据,进行实证分析,对我国股票市场的波动率、牛熊趋势、收盘价格进行预测性研究。首先是股票市场波动性预测。构建ARIMA、ARCH和GARCH等金融时间序列模型,对我国A股市场股价波动及走势进行预测性研究。其中,利用ARIMA模型对线性金融时间序列进行拟合,使用GARCH模型对非线性时序残差进行拟合。结果表明,ARIMA模型对于线性金融时序拟合效果优异,但是在面对复杂程度高、噪声多的非线性序列时预测效果下降,偏差增大;而GARCH模型对于非线性序列具有显着拟合效果,对股市波动集聚现象刻画鲜明。紧随其次是股市牛熊趋势预测。利用机器学习算法对股市牛熊趋势运动进行预测性分析,研究表明,基于权重投票思想的集成树模型对股市牛熊预测有着高度精确性,其中Xgboost预测准确率高达96%,此外神经网络模型效果也很不错,准确率在90%以上。最后是股票市场价格预测,本文基于Lstm深度神经网络模型对股票收盘价进行预测,结果显示Lstm模型对于股票收盘价的预测与实际走势趋同,模型loss函数值下降明显并收敛,拟合效果较好。本文在实证分析的基础上,联系贸易战和新冠疫情提出展望,从市场管制、信息对称、投资结构、金融创新等角度提出一些建议。
姜旭[3]（2021）在《基于AT-BNLSTM-GARCH模型的股市波动率预测及风险测度研究》文中指出金融市场中的波动率是资产定价和风险度量的核心,准确预测波动率始终是金融学界和业界所研究的热门话题之一,具有重大的理论和实际意义。近年来,人工智能技术发展迅速,随着人工智能理论的成熟,机器学习和深度学习模型逐渐被应用到金融领域,尤其广泛应用于金融时间序列预测中。本文紧跟前沿理论和技术,利用深度学习模型结合传统计量GARCH族模型来构建新的模型预测波动率。首先通过Batch Normalization方法改进LSTM模型,引入Attention机制,为不同时刻输入特征向量分配不同的权重,构建AT-BNLSTM模型,并把由高频数据算出的已实现波动率和反映宏观经济词语的百度指数作为模型的输入特征,而后融合传统GARCH族模型,构建七种不同的AT-BNLSTM-GARCH类模型,然后通过在不同时间点使用不同的GARCH族模型参数构建动态AT-BNLSTM-DGARCH模型,各种模型具采用滚动预测的方法。本文选取上证50指数2015年1月5日至2020年9月30收益率的日波动率作为研究对象,实证结果显示,LSTM模型和本文构建的AT-BNLSTM模型两种深度学习模型的预测性能远好于传统GARCH族模型。七种AT-BNLSTM-GARCH类模型在测试集上的六种损失函数均小于AT-BNLSTM模型,损失函数的MCS检验的p值均大于AT-BNLSTM模型,说明在深度学习模型中加入GARCH族模型参数确实能提高深度学习模型的预测性能。而动态AT-BNLSTM-DGARCH模型在测试集上的六种损失函数均小于其他模型,损失函数的MCS检验的p值均大于其他模型,表明动态AT-BNLSTM-DGARCH模型对上证50指数波动率的预测性能相对来说最好。之后使用动态AT-BNLSTM-DGARCH模型预测的波动率通过分位数回归方法计算Va R测度风险并进行失败率检验,结果显示,在95%的置信水平下,计算得到的Va R通过了Kupiec检验,说明模型精确地刻画了风险值。因此,本文构建的混合模型为准确预测波动率和测度风险提供了一种新方法。
王政[4]（2021）在《基于贝叶斯和似然函数方法对我国股市价格波动预测研究》文中指出随着信息化社会的到来,中国股市也在不断的发展,无论是从市场、政府、还是投资者方面来说,都要非常大的进步。对于股市来说,任何相关的投资信息都会对股市的波动造成一定的影响,尤其是股市的收益率。因此这几年对于股市波动的研究也逐渐的增加,对于股市的波动,要有理性的思考和理解,一定范围的波动将会有助于推动股市的发展,但是如果经常性的波动将会造成股市的不稳定性,并且会带来巨大的风险,从而对国内的投资者造成一定的影响,并进一步影响股市接下来的发展。针对目前我国股市的波动研究,其研究对象要是是沪深股指。对于投资者来说,股市的波动是他们的主要关注点,当股市发生相应的波动时,他们的投资策略也将会收到影响。随着国内外学者对股市波动的研究增加,相关的模型也在逐渐的完善,为了更加全面的了解股市的波动,对股市价格的预测研究也越来越多。而波动率是用来反映市场风险的大小,当波动率的值越高时,市场价格波动的程度越大,反之,当波动率的值越小是,市场价格波动的程度越小,对此,研究波动率对研究市场价格的波动有一定的意义。本文选择了CSI300指数作为我们的研究对象,对选取的GARCH模型进行了进行了简单的分析,包括模型的发展过程,性质,以及优缺点。分别选取了2019年CSI300的5分钟高频数据作为短期样本数据,以及2010年至2019年CSI300的5分钟高频数据作为长期样本数据,基于已实现波动计算得到了波动率,并且作为真实波动参考和对比基础,同时计算出滚动时间窗的样本预测,我们结合已实现波动率,提出了本文模型的似然函数估计和贝叶斯估计。最后采用赤池信息准则和贝叶斯信息准则以及损失函数对模型进行拟合优度检验。将两种估计方法下的两组数据的动态预测性能进行了比较。主要实证结果表明,在给定数据下,基于贝叶斯Griddy-Gibbs方法下的GARCH模型在预测股市的股价和波动率要优于似然函数方法下的结果。
陆岷峰,徐博欢[5]（2021）在《中国资本市场健康、稳定、持续成长的路径研究——基于中国股市性质评判与预测指标构建的实证》文中进行了进一步梳理股市预测一直是热门且重要的研究课题。本文运用基于规则的方法和马尔科夫区制转换模型两类方法,对1990.12.19—2018.12.31间的上证综指牛、熊市状态展开识别及预测研究,并建立新的评估体系对各类方法的结果进行评估。研究表明:在识别中,基于规则的方法表现的更好;而在预测中,马尔科夫区制转换模型表现得更好;宏观预测变量的加入对各类方法的识别和预测结果有一定影响,然而影响有限。究其原因,可能是我国宏观经济与股市情况存在一定的失真,宏观经济与股市间的传导关联性不强。
毛小丽[6]（2020）在《深港通对我国股票市场波动性影响研究》文中认为资本市场对外开放是一国资本市场发达程度的重要标志,是金融发展与深化的重要内容之一,是我国政府一直积极推行的基本国策。为进一步增强我国资本市场对外开放程度,2014年11月17日、2016年12月5日中国证监会与香港证监会共同宣布沪港通与深港通互联互通机制正式实施,两地投资者可通过当地证券公司或经纪商买卖规定范围内的对方交易所上市的股票。沪港通与深港通的实施是全面深化改革的重大突破,实现了境内外投资者的双向开放,扩大了境内外投资者投资渠道,深化了境内外资本市场的交流合作,优化了我国资本市场投资者结构,从而促进内地资本市场的稳定发展。然而,沪港通和深港通等资本市场对外开放制度的实施也增加了内地资本市场与国际资本市场的联动效应,加剧了市场波动风险,影响内地资本市场乃至经济的平稳发展。因此,本文借助深港通开通的契机,探讨深港通这一对外开放制度的实施如何影响我国资本市场股价波动性。股价波动性特征会发生怎样的变化?内地股市与香港股市之间的联动性是否增加?降低还是加剧了内地股票市场的波动性?分析这些问题有助于我们更为清晰地认识我国资本市场对外开放的经济后果,对了解不同国家或地区市场间的信息传递模式及风险传染机制,完善我国资本市场对外开放政策具有重要的借鉴意义。针对上述问题,本文主要从以下三个方面展开研究。首先,构建了描述波动率的分式布朗运动随机波动率模型,并对该模型的估计设计出基于贝叶斯原理的MCMC推断法。为了研究深港通实施后运行时间的长短是否对深市产生不同的影响,选用2016年1月5日到2017年11月2日深证成指和中小创新指数30分钟收盘价数据,并将其分为不同区间进行实证分析。通过Open BUGS软件对模型进行估计,说明抽样的收敛性和模型估计的准确性,并对模型进行诊断,说明模型有较好的拟合能力。研究结果表明:深港通开通前后,深证成指和中小创新指数都存在明显的跳跃倾向,深港通开通后跳跃倾向增加,并且随着深港通机制的逐渐实施,跳跃倾向未有所减小。深港通开通初期,股市的波动水平、波动持续性、波动的扰动水平增强。但随着时间的推移,政策效果逐渐显现,股市的波动水平、波动持续性和波动的扰动水平有所降低。深证成指和中小创新指数在深港通前后都存在明显的杠杆效应,深港通开通初期,深证成指和中小创新指数的杠杆效应减弱,但相对长期,杠杆效应增强。其次,通过GC-MSV模型,用基于贝叶斯原理的MCMC推断法对模型进行估计,分析深港通实施前后深市与港市之间的波动溢出效应。以深港通正式启动日2016年12月5日为分割日,选用2016年5月3日到2017年7月11日深证成指、中小创新指数和恒生指数30分钟收盘价数据作为样本。研究结果表明,深港通开通前后,深证成指、中小创新指数和恒生指数的波动存在高度的持续性,且深港通开通后波动持续性都显着增强。深港通开通前后,深证成指、中小创新指数与恒生指数之间都存在双向的波动溢出效应。深港通开通后,深证成指和中小创新指数对恒生指数波动的影响明显增强,恒生指数对深证成指和中小创新指数波动的影响也明显增强。说明深港通开通后,内地股市与香港股市间的联动性显着增强,我国内地证券市场在国际金融市场上的地位有所提升,但由于政策尚处于初期,在加强两地市场联动的同时,也加强了两地市场间的波动溢出效应。最后,变换数据和模型进行检验,说明结果的稳健性。最后,阐述了资本市场对外开放对我国股票市场波动的影响机理,并提出研究假设。利用2014-2018年深市上市公司股票数据,设计双重差分模型,以深入检验深港通对我国股票市场波动性的影响。研究发现:深港通政策的实施加剧了深股通标的股票的波动性,且在深股通活跃成交股中更为显着。用盈余管理验证发现,深港通实施后,深股通标的股票可操控性应计项增加,管理层进行盈余操纵的动机增大,信息披露质量下降,深股通标的股票波动性增加。运用会计稳健性进行检验发现,深港通开通之后,现金流中的噪音增加,同时会计稳健性下降,也说明了深港通制度的实施,加剧了深股通标的股价的波动。利用噪音交易指标检验发现,深港通开通后,深股通标的股票相比于非深股通标的股票,噪音程度提高,从而加剧股市波动。从公司治理角度进行分析发现,深港通的实施未改善公司治理水平。为了排除QFII持股、A+H股同时上市、产权性质、非随机选择性、沪港通、波动性变量选取、A股纳入MSCI指数等因素造成的误差,对其进一步验证,表明结果的稳健性。同时,我们对深市创业板上市公司样本进行检验,实证结果表明,深港通加剧了深市创业板公司股票价格波动,但相对整个市场而言,并不明显。总之,深港通这一重要制度的实施,虽然一定程度上增强了两地资本市场的联动效应,有利于推进中国资本市场对外开放的程度,进一步提升我国证券市场在国际金融市场上的地位,但由于内地资本市场还不够完善与成熟,未完全与国际金融市场接轨,且深港通政策尚处于初期,在加强两地市场联动的同时,也加强了两地市场间的波动溢出效应。市场对外开放的同时,也将国际市场的风险带到内地资本市场,加剧了市场波动风险。对此本文提出了相应的政策建议。
雷立坤[7]（2020）在《国际股市高频波动信息与我国股市波动率预测研究》文中指出金融全球化已经成为世界金融系统发展的一个重要趋势,在金融市场加速融合的背景下,国家或地区之间的金融市场相互渗透、相互影响的趋势日益明显。这种影响不仅表现在资产收益方面,而且反映在资产波动率方面,即某一金融市场的波动不仅受本身以前波动的影响,而且会受到其他金融市场波动的影响,人们将这一现象称为“波动溢出效应”。随着我国经济在世界经济地位的快速提高,特别是近20年来我国在资本市场领域进行一系列的改革和转型开放措施,使我国股市逐步融入全球股票市场,与其它股市的联系日益加强,这意味着国际金融市场对我国金融市场的影响加剧、受国际市场波动信息影响更为广泛、波动传导作用更加迅速。风险监管者和国际投资者在预测中国股市时,通常会参考国际股票市场做出决策和进行交易,因此,需要树立全球股市的总体观念,探索更合适的方法,分析国际股市对我国股市影响的特征,更好地对全球股市信息进行研究,以帮助管理者和投资者预测中国股市波动。测度国际金融市场对中国金融市场的影响和预测能力,有利于面对国际市场风险时做出及时、准确的防范措施,对维护我国金融市场安全稳定具有重要的前瞻性意义。尽管国内外已有许多学者对金融市场波动性进行了研究,但迄今为止,如何准确、充分地利用国际股市波动信息提高我国股市波动率预测精度,仍然有很多明显的方法缺陷亟待解决和完善。本文首先从国际市场高频波动视角出发,采用主成分分析方法对跨国（地区）股票市场波动率提取国际波动率指数,整合国际股市波动信息来预测我国股市波动率。其次,根据金融市场波动的机制转换和时变特征,在加入国际股市高频波动信息HAR-RV-X模型的基础上,进一步引入马尔可夫机制转换,深入探讨国际股市对我国股市的影响特征。进一步,为了更有效地利用这些国际市场波动信息预测我国股市波动率。我们考虑国际股市波动信息相互传递和时变的整体性,率先将高维TVP VAR方法应用于我国股市价格波动的预测分析中,考虑国际股市波动参数时变的条件下,对各国际股市波动信息动态地分配权重,计算各个不同变量模型的权重概率,并采用加权平均方法预测我国股市波动率。最后,在前面三章实证方法为基础,我们将波动率预测视为投资组合优化的关键决定因素,从投资组合和风险管理视角探讨了不同波动率预测模型的经济价值,从而为我国金融监管当局制定和执行相关金融政策提供部分指导,也为投资者正确判断股市风险、选择合理的投资策略提供更加实际可行的依据。实证结果主要包括:（1）采用主成分分析法有利于在相互联系的全球股市波动中准确获得国际股市市场高频波动的共同信息。该指数对未来中国股市波动具有正向影响和统计显着性。更重要的是,加入国际股市波动率指数的HAR-RV扩展模型对我国股市波动的预测精度优于对比模型,包括HAR-RV、Kitchen sink模型和五种组合方法。（2）通过分析国际股市波动信息在不同波动状态下对我国股市波动的影响特征,发现马尔可夫机制转换模型能更有效地捕捉和处理全球国际股市波动信息。统计检验表明,转移概率矩阵是显着的,高波动状态比低波动状态表现出明显更高的波动水平,与线性及时变参数的HAR-RV模型相比,MSHAR-RV-X模型能显着提高我国股市的点预测精度和方向预测精度。（3）高维TVP VAR方法能够很好地捕捉到国际股市之间潜在的溢出效应和时变特性,是利用国际股市刻画和预测我国股市波动方面更准确的新方法。（4）通过最大化投资者效用,考察了投资组合的表现。实证结果表明,首先,基于主成分分析的HAR-RV扩展模型与对比模型（包括HAR-RV、Kitchen sink模型和五种组合方法）相比,能显着提高方向预测精度并产生了更高的经济价值。其次,与线性及时变参数的HAR-RV模型相比,MSHAR-RV-X模型能显着提高我国股市的方向预测精度,且在此基础上构成的投资组合策略能获得更大的组合收益。最后,高维TVP VAR新方法在投资组合的风险管理应用中无论是方向预测还是经济价值都获得了最理想的效果。
刘丽缤[8]（2020）在《深度神经网络组合模型对股指的预测研究与实证对比》文中研究说明在经济全球化、金融一体化的进程中,金融市场出现了很多异常现象,这些现象是以有效市场假说为基础的传统金融理论难以解释的,进而涌现出行为金融学、分形市场假说等新的理论,金融市场不再是有效市场理论下的理想状态,众多研究表明金融市场具有可预测性。金融市场作为一个高度复杂的系统,股票市场是其中的重要组成部分,也是经济运行状况的“晴雨表”。股票市场作为实体企业融资的渠道,也是众多投资者自身资源配置的主要渠道之一。股票指数时间序列是股票市场复杂内在特征的综合外在表现,为投资者制定投资策略提供了重要参考,因此对股指序列的预测不仅有利于更好的监测和管理与股票市场高度关联的金融市场,还能为投资者的投资决策提供有效指导。股指时间序列本身大多数是非线性的或者说是一个包含有非线性关系的复杂系统,并且股票市场的演化日益复杂,传统的股指预测模型也逐渐演变成只具备理论意义而难以有效地应用于实际市场分析的工具。在快速发展的人工智能时代,基于深度学习的神经网络,为研究存在多方博弈的极度复杂的股票市场提供了思路。因此,本文构建了经验模态分析（EMD）、主成分分析（PCA）、深度神经网络（DNN）组合的深度神经网络组合模型（EMD-PCA-DNN）对股票指数时间序列进行预测,重点探究了模型在股指收盘价、收益率时间序列预测中的可行性以及精度水平。本文在深入分析股指时间序列特征、总结已有问题、比较分析多种预测方法的基础上,构建ARIMA模型、BP神经网络（BPNN）模型、深度神经网络（DNN）模型对股指时间序列预测进行了综合对比,结果表明非线性模型对股指的预测效果比线性模型有一定的优势,深度模型较浅层模型表现出更好的预测性能。另外,考虑对时间序列进行预处理,以达到提高预测精度或者缩短模型训练时间的效果,引入经验模态分析方法（EMD）将时间序列分解为不同尺度的本征模态函数（IMF）,再使用主成分分析方法（PCA）对分解后的IMF序列排成的矩阵进行降维,提取出数据中含有股指信息最多的特征;然后将这些特征分别输入到BPNN、DNN中进行组合预测,从而构建了组合模型EMD-PCA-BPNN、EMD-PCA-DNN。对比单一模型,组合模型的命中率有明显的提高,说明EMD、PCA方法对数据的特征提取能明显改善模型的性能。最后,选取了沪深300指数日收盘价、沪深300指数五日收益率、标普500指数收盘价时间序列数据进行了实证研究。相比其他模型,深度神经网络组合模型对三者的预测命中率最高分别为78.05%、78.55%、78.57%。其中,沪深300日收盘价、五日收益率属于股指时间数据的不同输入模式,说明深度神经网络组合模型具有较好的适应性。沪深300指数日收盘价、标普500指数收盘价属于不同市场股指时间序列,对于中美不同的股市特点,深度神经网络组合模型同样有很好的预测效果,展现了较强的鲁棒性。
唐吝春[9]（2020）在《不同情绪指标对中国股市波动率的预测精度分析》文中研究说明准确刻画市场波动,为实现风险规避、准确进行资产定价以及切实维护投资者利益提供了保障,波动率预测一直是学术界和实业界广泛关注的热点问题之一。作为市场的重要参与者,情绪无疑会对股票市场波动产生显着影响。因此,明确二者之间的作用机理,对市场管理者制定监管政策,维护市场健康平稳发展具有重要的理论和现实意义。本文结合样本内与样本外分析,探究多种中介平台所代表的情绪指标对波动率的预测能力,并且实证检验何种情绪指标更具话语权。首先本文利用东方财富股吧中的帖子、来源于互联网财经媒体（网易财经、新浪财经、FT中文网等）以及传统报刊（中国经营报、经济观察报、证券日报等）的新闻报道,构建更全面、更具代表性的看涨情绪指标,考察其对上证指数波动率的预测作用。另外为了检验不同形式情绪指标对波动率的预测作用差异,本文考察了社交媒体看涨情绪、互联网财经媒体看涨情绪以及传统报刊看涨情绪、各类看涨情绪指标的绝对值以及正面与负面情绪值的预测效果。其次,本文使用更准确度量股市波动的指标,利用基于日内高频收益数据估计得到的上证指数已实现波动率作为被解释变量,使用覆盖短中长期波动信息的异质自回归模型（HAR）进行预测工作。此外,本文还从短中长期探究不同情绪指标对上证指数波动率的预测作用,探究不同情绪变量对未来1天、未来1周以及未来1个月波动率的预测能力。最后,构建月度社交媒体、互联网财经媒体以及传统报刊看涨情绪指标,考察月度情绪指标对SSEC、CSI800、CSI300以及SZCI月度波动率的预测效果。本文采用样本外R2OOS统计量与MSFE-adjusted值评价模型优劣,并且利用不同窗口长度的滚动时间窗技术与其他波动率的估计变量,验证结论的稳健性。本文的主要结论为:第一,无论何种形式的传统报刊看涨情绪指标,均不能产生显着为正的R2OOS值,意味着相对于社交媒体、互联网财经媒体,传统报刊更难配置投资者注意力,难以将其信息投射到市场波动变化中。第二,未来1天波动率的预测结果显示,基于社交媒体、互联网财经媒体的看涨情绪指标能够提供增量信息,显着提升波动率预测模型的精度,并且社交媒体看涨情绪的预测能力大于互联网财经媒体。第三,互联网财经媒体情绪在中长期（h=5,h=22）发挥信息主体的作用,显着提升模型的预测精度。第四,实证结果一定程度验证了我国股市特征,在高波动阶段,社交媒体看涨情绪更具有话语权,显着影响市场波动,即散户投资者情绪在市场波动中扮演着重要角色。
徐博欢[10]（2020）在《对中国股市牛、熊市的识别及预测研究》文中进行了进一步梳理股市预测一直是热门且重要的研究课题。本文运用基于规则的方法和马尔科夫区制转换模型两类方法,对1990.12.19——2018.12.31间的上证综指牛、熊市状态展开识别及预测研究,并建立新的评估体系对各类方法的结果进行评估。基于规则的方法分为识别和预测两步。在识别中,通过设定一系列规则来分辨牛、熊市,具有代表性的是Lunde和Timmermann（2004）以涨跌幅幅度为核心的规则集,Pagan和Sossounov（2003）以牛、熊市周期持续时长为核心的规则集。在预测中,将马尔科夫链与Logit模型相结合,构建出“马尔科夫逻辑回归模型”。与此不同,马尔科夫区制转换模型可以同时用于识别和预测。一般而言,股市处于牛市时,收益率为正且波动率低,处于熊市时收益率为负且波动率高。马尔科夫区制转换模型正是利用牛、熊市收益率和波动率的特征,运用EM算法测算市场处于牛、熊市的概率。本文还考虑了从2状态扩展为3状态的区制转换模型,分别为牛市、弱熊市和强熊市（收益率、波动率特征不同）。由于缺乏统一且被认可的牛、熊市周期,各类方法没有一致的比照对象,因此本文提出了两种评估方法对各方法的识别与预测结果进行评估。一种是基于统计测度,提出综合绝对差（IAD）来衡量各方法间的差异。另一种是基于经济测度,站在一个风险厌恶型投资者的视角,他投资时在各类方法中获得的效用是不同的,因此他从一种方法转换到另一种方法愿意支付的最大费用也是不同的。通过研究本文主要解决以下三个问题:一、如何识别或预测股市处于牛市还是熊市。二、如何对各类方法的识别或预测结果进行评估。三、各类方法对中国股市识别和预测的结果与效果如何。研究表明:一、在识别中,基于规则的方法表现的比区制转换模型好。从IAD看,较大的IAD数值表明两种方法的识别结果差异显着。从经济角度看,投资者愿意花费更多的费用从马尔科夫区制转换模型转换到基于规则的方法。二、在预测中,马尔科夫区制转换模型表现得更好。较大的IAD数值同样表明了两类方法预测结果的巨大差异,但投资者愿意花费更多的费用从基于规则的方法转换到马尔科夫区制转换模型。三、宏观预测变量的加入对各类方法的识别和预测结果有一定的影响,然而这样的影响是有限的。究其原因,可能是我国宏观经济与股市情况存在一定的失真,宏观经济与股市间的传导关联性不强。因此,下面的研究可考虑更贴近我国股市实际情况的预测变量。
二、非线性GARCH模型在中国股市波动预测中的应用研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、非线性GARCH模型在中国股市波动预测中的应用研究（论文提纲范文）
（1）中国大陆股市与国际主要股市的相依性、风险溢出与影响因素研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 问题提出与研究内容 |
| 1.2.1 问题提出 |
| 1.2.2 研究内容 |
| 1.3 研究框架与研究方法 |
| 1.3.1 研究框架 |
| 1.3.2 研究方法 |
| 1.4 概念界定 |
| 1.4.1 相依性 |
| 1.4.2 风险溢出 |
| 1.4.3 概念间的关联 |
| 1.5 研究的创新点 |
| 2 文献综述 |
| 2.1 股票市场相依性研究 |
| 2.1.1 发达国家股市间的相依性 |
| 2.1.2 发达国家股市与新兴经济体股市间的相依性 |
| 2.1.3 中国股市的相依性 |
| 2.1.4 中外股市间的相依性 |
| 2.1.5 股市的跨资产类别相依性 |
| 2.2 金融市场相依性的影响因素 |
| 2.2.1 经济政策不确定性 |
| 2.2.2 其他影响因素 |
| 2.3 金融市场风险溢出研究 |
| 2.3.1 不同国家(地区)同一金融市场 |
| 2.3.2 同一国家(地区)不同金融市场 |
| 2.4 文献述评 |
| 3 理论分析与研究设计 |
| 3.1 金融市场相依性与风险溢出的理论基础 |
| 3.1.1 资产定价理论 |
| 3.1.2 Copula理论 |
| 3.2 金融市场相依性与风险溢出的成因 |
| 3.3 金融市场相依性与风险溢出的影响机理 |
| 3.4 研究设计 |
| 3.4.1 中国大陆股市与国际主要股市的边缘分布模型 |
| 3.4.2 中国大陆股市与国际主要股市的静态与时变相依结构 |
| 3.4.3 中国大陆股市与国际主要股市相依性的影响因素 |
| 3.4.4 中国大陆股市与国际主要股市的高维相依结构、风险测度与溢出 |
| 3.5 本章小结 |
| 4 中国大陆股市与国际主要股市的边缘分布模型 |
| 4.1 边缘分布模型构建与择优标准 |
| 4.1.1 参数ARMA-GARCH族模型 |
| 4.1.2 参数ARMA-GARCH族-EVT模型 |
| 4.1.3 非参数ARMA-GARCH族-EVT模型 |
| 4.1.4 非参数核密度函数 |
| 4.1.5 模型择优标准 |
| 4.2 数据选取与基本分析 |
| 4.2.1 数据的选取及其说明 |
| 4.2.2 数据的基本统计分析和相关检验 |
| 4.3 边缘分布模型的估计与择优 |
| 4.3.1 基于参数ARMA-GARCH族模型的边缘分布估计 |
| 4.3.2 基于参数ARMA-GARCH族-EVT模型的边缘分布估计 |
| 4.3.3 基于非参数ARMA-GARCH族-EVT模型的边缘分布估计 |
| 4.3.4 基于非参数核密度函数的边缘分布估计 |
| 4.3.5 最优边缘分布模型 |
| 4.4 本章小结 |
| 5 中国大陆股市与国际主要股市的静态与时变相依结构 |
| 5.1 数据与方法 |
| 5.1.1 数据选取 |
| 5.1.2 实证方法 |
| 5.2 实证分析 |
| 5.2.1 中国大陆股市与国际主要股市的静态相依结构 |
| 5.2.2 中国大陆股市与国际主要股市的时变相依结构 |
| 5.2.3 基于时变Copula函数的结构变点诊断 |
| 5.3 本章小结 |
| 6 中国大陆股市与国际主要股市相依性的影响因素 |
| 6.1 中国大陆股市与国际主要股市相依性的影响因素及其机理分析 |
| 6.1.1 经济政策不确定性 |
| 6.1.2 共同冲击 |
| 6.1.3 宏观经济状况 |
| 6.1.4 股市特性 |
| 6.2 数据与变量选取 |
| 6.3 实证分析 |
| 6.3.1 面板单位根检验 |
| 6.3.2 面板数据模型的构建与估计 |
| 6.3.3 稳健性讨论 |
| 6.4 全球股市与数字货币市场的跨资产类别相依性与影响因素 |
| 6.4.1 数据与变量选取 |
| 6.4.2 全球股市与数字货币市场的跨资产类别相依性 |
| 6.4.3 经济政策不确定性对全球股市与数字货币市场相依性的影响 |
| 6.5 本章小结 |
| 7 中国大陆股市与国际主要股市的高维相依结构、风险测度与溢出 |
| 7.1 数据与方法 |
| 7.1.1 数据来源与统计描述 |
| 7.1.2 实证方法 |
| 7.2 实证分析 |
| 7.2.1 样本间的Kendall’s tau秩相关系数 |
| 7.2.2 中国大陆股市与国际主要股市的高维相依结构 |
| 7.2.3 中国大陆股市与国际主要股市的风险测度 |
| 7.2.4 中国大陆股市与国际主要股市的风险溢出 |
| 7.3 稳健性检验 |
| 7.4 本章小结 |
| 8 总论 |
| 8.1 研究结论 |
| 8.2 研究启示 |
| 8.3 不足与展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
（2）基于金融时间序列与深度神经网络的股票市场预测性研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究综述 |
| 1.2.1 国内外研究现状 |
| 1.2.2 文献综述的简析 |
| 1.3 论文基本结构与设想 |
| 1.3.1 写作思路 |
| 1.3.2 写作框架 |
| 1.4 创新与不足 |
| 1.4.1 可能创新点 |
| 1.4.2 不足 |
| 2 相关理论与方法 |
| 2.1 金融时间序列统计分析 |
| 2.1.1 ARIMA模型 |
| 2.1.2 ARCH模型 |
| 2.1.3 GARCH模型 |
| 2.1.4 ARCH效应 |
| 2.2 机器学习在股市预测中的应用 |
| 2.2.1 logistic回归 |
| 2.2.2 SVM算法 |
| 2.2.3 集成树思想 |
| 2.2.4 KNN算法 |
| 2.2.5 多层感知机 |
| 2.3 LSTM深度神经网络 |
| 3 股票市场影响因素与预期指标构建 |
| 3.1 股市影响因素筛选 |
| 3.2 投资者情绪的度量 |
| 4 基于金融时间序列分析的股市波动性预测 |
| 4.1 沪深300 统计性描述 |
| 4.2 时间序列检验 |
| 4.2.1 平稳性检验 |
| 4.2.2 白噪声检验 |
| 4.2.3 ARCH检验 |
| 4.3 ARIMA模型 |
| 4.4 ARCH和 GARCH模型 |
| 4.4.1 GARCH(1.1)模型建立 |
| 4.4.2 ARCH-LM检验 |
| 4.4.3 残差序列检验 |
| 4.4.4 提取GARCH类信息 |
| 4.4.5 模型检验 |
| 4.4.6 模型预测和选择 |
| 4.5 对比分析 |
| 5 基于机器学习的股市牛熊趋势预测 |
| 5.1 数据集选取 |
| 5.2 模型的构建 |
| 5.3 模型评价指标 |
| 5.4 实证分析 |
| 5.4.1 Logistic模型 |
| 5.4.2 SVM模型 |
| 5.4.3 KNN算法 |
| 5.4.4 多层感知机模型 |
| 5.4.5 基于随机森林、xgboost、logistic的特征选择与排序 |
| 5.4.6 稳健性检验与对比分析 |
| 6 基于深度神经网络的股票价格预测性研究 |
| 6.1 建模过程 |
| 6.1.1 问题描述 |
| 6.1.2 数据导入与预处理 |
| 6.1.3 构建基准模型 |
| 6.1.4 模型验证与评估 |
| 6.1.5 数据格式化 |
| 6.1.6 调参网络拓扑结构 |
| 6.2 lstm模型自回归 |
| 6.3 综合类指数回归预测 |
| 6.4 分类指数回归预测 |
| 6.5 泛化性检验 |
| 6.6 总结 |
| 7 展望与结语 |
| 7.1 展望 |
| 7.2 结语 |
| 参考文献 |
| 致谢 |
（3）基于AT-BNLSTM-GARCH模型的股市波动率预测及风险测度研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的和意义 |
| 1.3 研究内容、方法和技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.3.3 技术路线 |
| 1.4 本文的主要贡献 |
| 第2章 文献综述和相关理论 |
| 2.1 文献综述 |
| 2.1.1 循环神经网络的发展 |
| 2.1.2 深度学习与波动率预测 |
| 2.1.3 波动率与VaR度量 |
| 2.1.4 相关文献评述 |
| 2.2 相关理论 |
| 2.2.1 GARCH族模型的理论基础 |
| 2.2.2 LSTM与Attention机制 |
| 2.2.3 市场风险度量 |
| 第3章 AT-BNLSTM-GARCH类模型的理论分析与构建 |
| 3.1 波动率的可预测性分析 |
| 3.2 波动率的影响因素分析 |
| 3.3 AT-BNLSTM-GARCH类模型的构建 |
| 3.3.1 BNLSTM模型构建 |
| 3.3.2 AT-BNLSTM-GARCH类的模型构建 |
| 3.3.3 AT-BNLSTM-DGARCH的模型构建 |
| 3.4 模型的有效性评价 |
| 3.4.1 损失函数的选择 |
| 3.4.2 跨模型的MCS检验 |
| 第4章 AT-BNLSTM-GARCH模型预测指数波动率的实证分析 |
| 4.1 特征选取与数据预处理 |
| 4.1.1 量价数据规整 |
| 4.1.2 GARCH族模型参数估计 |
| 4.1.3 关注度指数搜集 |
| 4.1.4 日度波动率计算 |
| 4.2 滚动预测数据集的构建 |
| 4.3 AT-BNLSTM-GARCH类模型预测及分析 |
| 4.4 AT-BNLSTM-DGARCH模型预测及分析 |
| 4.5 基于预测波动率的VaR度量效果分析 |
| 4.5.1 基于分位数回归模型的VaR计算 |
| 4.5.2 VaR的Kupiec检验 |
| 第5章 结论与展望 |
| 5.1 结论 |
| 5.2 研究展望 |
| 参考文献 |
| 致谢 |
（4）基于贝叶斯和似然函数方法对我国股市价格波动预测研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 第一节 选题背景和研究意义 |
| 一、选题背景 |
| 二、选题意义 |
| 第二节 研究的内容与方法 |
| 一、研究内容 |
| 二、研究方法及技术路线 |
| 三、研究的创新点、不足 |
| 第二章 相关理论研究现状 |
| 第一节 波动率模型研究发展动态 |
| 一、历史波动率模型 |
| 二、隐含波动率模型 |
| 三、已实现波动率模型 |
| 第二节 贝叶斯方法研究发展动态 |
| 一、贝叶斯方法 |
| 二、Griddy-gibbs抽样 |
| 第三节 似然函数方法研究发展动态 |
| 第四节 文献评述 |
| 第三章 沪深300 指数波动性的模型介绍和相关检验 |
| 第一节 股价波动相关理论介绍 |
| 一、随机游走理论及有效市场假说 |
| 二、混沌市场理论 |
| 三、协同市场假说 |
| 第二节 理论模型介绍 |
| 一、ARCH模型 |
| 二、GARCH模型 |
| 第三节 预测方法的介绍 |
| 一、似然函数方法 |
| 二、MCMC方法 |
| 第四节 检验方法相关理论 |
| 一、损失函数 |
| 二、AIC检验准则 |
| 三、BIC检验准则 |
| 第四章 沪深300 指数预测比较分析 |
| 第一节 数据的选取及基本统计特征分析 |
| 一、数据的选取 |
| 二、数据的描述性统计分析 |
| 三、平稳性以及单位根检验 |
| 四、白噪声检验 |
| 五、自相关性检验 |
| 六、ARCH效应检验 |
| 第二节 两种估计方法的GARCH模型参数估计结果 |
| 一、似然函数方法参数估计结果 |
| 二、贝叶斯方法参数估计结果 |
| 三、样本内的检验 |
| 第三节 基于短期样本以及两种方法的预测结果 |
| 一、预测结果 |
| 二、基于两种估计方法的损失函数评估 |
| 三、基于两种估计方法的AIC,BIC检验结果比较 |
| 第四节 基于长期样本以及两种方法的预测结果 |
| 一、基于两种估计方法的损失函数评估 |
| 二、基于两种估计方法的AIC,BIC检验结果比较 |
| 第五章 结论与展望 |
| 第一节 结论 |
| 一、通过GARCH模型得出的结果 |
| 二、通过实证分析得出的结论 |
| 第二节 相关建议 |
| 一、市场方面 |
| 二、政府及投资者方面 |
| 第三节 不足与展望 |
| 参考文献 |
| 致谢 |
（5）中国资本市场健康、稳定、持续成长的路径研究——基于中国股市性质评判与预测指标构建的实证（论文提纲范文）
| 一、引言 |
| 二、文献综述 |
| （一）股市可预测性 |
| （二）股市预测模型 |
| 1. 随机过程预测模型。 |
| 2. 基于统计理论的股票价格波动模型。 |
| 3. 人工智能预测模型。 |
| （三）影响中国A股市场的因素 |
| 三、理论基础与模型构建 |
| （一）基于规则的方法 |
| 1. LT算法。 |
| 2. PS算法。 |
| （二）马尔科夫区制转换模型 |
| 四、基于上证综指的牛、熊市识别及预测 |
| （一）数据处理 |
| 1. 上证综指。 |
| 2. 预测变量及其系数。 |
| （二）牛、熊市识别结果 |
| （三）牛、熊市预测结果 |
| 五、对各方法识别、预测结果的评估 |
| （一）评估体系的构建 |
| 1. 统计测度。 |
| 2. 经济测度。 |
| （二）识别、预测结果的评估 |
| 1. 对识别结果的评估。 |
| 2．对预测结果的评估。 |
| 六、结论 |
（6）深港通对我国股票市场波动性影响研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景、意义及目的 |
| 1.1.1 研究背景与意义 |
| 1.1.2 研究目的 |
| 1.2 研究内容与研究思路 |
| 1.3 研究创新与展望 |
| 1.3.1 研究创新 |
| 1.3.2 研究展望 |
| 第二章 文献综述 |
| 2.1 波动率模型研究综述 |
| 2.1.1 自回归条件异方差类模型 |
| 2.1.2 随机波动模型 |
| 2.1.3 已实现波动率研究现状 |
| 2.2 沪港通和深港通相关文献综述 |
| 2.2.1 对沪港通和深港通定性的研究 |
| 2.2.2 对沪港通和深港通定量的研究 |
| 2.3 综合评述 |
| 第三章 基本理论 |
| 3.1 股市波动理论 |
| 3.1.1 股票市场的波动特性 |
| 3.1.2 对外开放对资本市场波动性的影响 |
| 3.2 联动性研究的理论基础 |
| 3.2.1 股市联动性的内在机制 |
| 3.2.2 内地股市和香港股市联动性分析 |
| 第四章 深港通开通前后深市波动特征 |
| 4.1 SV模型的构建 |
| 4.1.1 分式布朗运动的定义及性质 |
| 4.1.2 SV模型的构建 |
| 4.2 模型的估计方法 |
| 4.3 数据和描述性统计 |
| 4.4 实证分析 |
| 4.4.1 Hurst指数分析 |
| 4.4.2 结果分析 |
| 4.5 模型诊断 |
| 4.6 本章小结 |
| 第五章 深港通背景下深市与港市波动溢出效应 |
| 5.1 股市间溢出效应模型 |
| 5.2 数据来源和检验 |
| 5.2.1 数据来源 |
| 5.2.2 单位根和格兰杰因果检验 |
| 5.3 实证分析 |
| 5.4 稳健性检验 |
| 5.5 本章小结 |
| 第六章 深港通对深市股价波动性的影响 |
| 6.1 影响机理与研究假设 |
| 6.2 研究设计 |
| 6.2.1 实证模型及变量定义 |
| 6.2.2 数据来源 |
| 6.3 实证结果 |
| 6.3.1 描述性统计 |
| 6.3.2 实证结果 |
| 6.4 进一步分析 |
| 6.4.1 深港通活跃成交股 |
| 6.4.2 盈余管理 |
| 6.4.3 噪音交易 |
| 6.4.4 公司治理 |
| 6.5 稳健性检验 |
| 6.5.1 境外投资者持股的影响 |
| 6.5.2 产权性质的影响 |
| 6.5.3 其他稳健性检验 |
| 6.6 本章小结 |
| 结论与建议 |
| 参考文献 |
| 附录 |
| 附录 A:估计随机波动率模型中参数的OpenBUGS程序 |
| 附录 B:估计GC-MSV模型中参数的OpenBUGS程序 |
| 附录 C:分式O-U过程随机波动率模型核密度仿真图 |
| 附录 D:GC-MSV模型核密度仿真图 |
| 攻读博士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（7）国际股市高频波动信息与我国股市波动率预测研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 国内外研究现状 |
| 1.3.1 已实现波动率的测度 |
| 1.3.2 己实现波动率计量模型 |
| 1.3.3 国际股市与我国股市波动率关系研究进展 |
| 1.3.4 现有研究存在的不足之处 |
| 1.4 论文的主要创新点 |
| 1.5 研究方法与可行性分析 |
| 1.6 结构安排和技术路线 |
| 第2章 高频数据和波动率相关理论 |
| 2.1 高频金融数据及统计特征 |
| 2.1.1 高频数据介绍 |
| 2.1.2 高频金融数据的基本特征 |
| 2.2 高频波动率理论介绍 |
| 2.2.1 波动率的定义和分类 |
| 2.2.2 波动率的基本特征 |
| 2.3 高频数据波动率模型 |
| 2.4 本章小结 |
| 第3章 国际股市波动预测中国股市波动率:基于国际波动率指数 |
| 3.1 引言 |
| 3.2 已实现波动率及HAR-RV模型介绍 |
| 3.3 组合预测、主成分分析方法介绍 |
| 3.3.1 组合预测方法 |
| 3.3.2 主成分分析方法 |
| 3.4 样本外滚动预测及评价方法 |
| 3.4.1 样本外滚动时间窗预测技术 |
| 3.4.2 预测评价方法 |
| 3.5 实证分析 |
| 3.5.1 数据介绍和描述性统计 |
| 3.5.2 样本内估计结果 |
| 3.5.3 样本外预测评价 |
| 3.5.4 稳健性检验 |
| 3.6 本章小结 |
| 第4章 国际股市波动预测中国股市波动率:基于机制转换视角 |
| 4.1 引言 |
| 4.2 马尔科夫方法及扩展的高频波动率模型 |
| 4.2.1 马尔科夫方法介绍 |
| 4.2.2 马尔科夫机制转换的异质自回归模型介绍 |
| 4.3 预测检验方法 |
| 4.3.1 DM检验 |
| 4.3.2 变化方向检验 |
| 4.4 实证分析 |
| 4.4.1 实证数据 |
| 4.4.2 样本内估计结果 |
| 4.4.3 样本外预测评价 |
| 4.4.4 稳健性检验 |
| 4.5 本章小结 |
| 第5章 国际股市波动预测中国股市波动率:基于高维TVP VAR方法 |
| 5.1 引言 |
| 5.2 高维TVP VAR模型介绍 |
| 5.3 检验方法介绍 |
| 5.4 实证分析 |
| 5.4.1 实证数据 |
| 5.4.2 各波动率模型预测评价 |
| 5.4.3 稳健性检验 |
| 5.5 各波动率预测模型的经济价值研究 |
| 5.5.1 效应函数介绍 |
| 5.5.2 实证结果分析 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 研究结论 |
| 6.2 政策建议 |
| 6.3 未来研究展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间发表的论文及参与的科研项目 |
（8）深度神经网络组合模型对股指的预测研究与实证对比（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外文献综述 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.2.3 文献评述 |
| 1.3 研究思路和方法 |
| 1.3.1 研究思路 |
| 1.3.2 研究方法 |
| 1.4 本文结构 |
| 1.5 本文的创新点 |
| 第二章 股指预测相关理论 |
| 2.1 中国证券市场可预测性 |
| 2.1.1 有效市场理论 |
| 2.1.2 中国证券市场可预测理论 |
| 2.1.3 证券价格预测方法 |
| 2.2 股指预测问题描述与分析 |
| 2.2.1 股指预测问题描述 |
| 2.2.2 股指预测问题分析 |
| 2.3 股指预测的关键问题 |
| 2.3.1 股指时间序列特点 |
| 2.3.2 股指预测的常用方法 |
| 2.3.3 股指预测指标的选择 |
| 第三章 股指预测模型选择 |
| 3.1 数据特征提取 |
| 3.1.1 经验模态分析(EMD)—数据分解 |
| 3.1.2 主成分分析方法(PCA)—数据降维 |
| 3.1.3 EMD分解后使用PCA降维 |
| 3.2 股指预测单一模型 |
| 3.2.1 差分自回归移动平均模型(ARIMA) |
| 3.2.2 反向传播神经网络模型(BPNN) |
| 3.2.3 深度神经网络(DNN) |
| 3.3 股指预测组合模型 |
| 3.3.1 EMD-PCA-BPNN模型 |
| 3.3.2 EMD-PCA-DNN模型 |
| 第四章 股指预测模型实证研究 |
| 4.1 数据的选择及描述 |
| 4.1.1 数据的选择 |
| 4.1.2 数据的属性描述 |
| 4.2 单一模型股指预测实证结果 |
| 4.2.1 ARIMA模型预测结果 |
| 4.2.2 BPNN模型预测结果 |
| 4.2.3 DNN模型预测结果 |
| 4.3 组合模型股指预测实证结果 |
| 4.3.1 EMD分解结果 |
| 4.3.2 PCA降维结果 |
| 4.3.3 EMD-PCA-BPNN预测 |
| 4.3.4 EMD-PCA-DNN预测 |
| 4.4 不同角度股指数据的预测 |
| 4.4.1 数据不同输入模式的预测 |
| 4.4.2 不同市场股指数据的预测 |
| 4.5 预测结果对比分析 |
| 4.5.1 预测结果对比分析 |
| 4.5.2 预测结果分析 |
| 第五章 本文总结与展望 |
| 5.1 本文总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 在学期间发表论文及参加课题情况 |
（9）不同情绪指标对中国股市波动率的预测精度分析（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 选题背景与研究意义 |
| 1.2 研究内容 |
| 1.3 研究方法与思路 |
| 1.4 可能的创新点 |
| 第2章 文献综述 |
| 2.1 情绪对股市变量的影响研究 |
| 2.2 度量股市波动的相关文献 |
| 2.3 基于高频数据的HAR模型及其扩展模型 |
| 2.4 情绪与波动率预测的相关研究 |
| 2.5 文献述评 |
| 第3章 理论分析与研究假设 |
| 3.1 理论基础 |
| 3.1.1 投资者关注、投资者认知与情绪理论 |
| 3.1.2 媒体的功能 |
| 3.2 研究假设 |
| 3.3 已实现波动率 |
| 3.4 评价标准 |
| 第4章 研究设计 |
| 4.1 数据来源 |
| 4.2 指标构建 |
| 4.3 模型构建 |
| 第5章 实证分析 |
| 5.1 描述性统计分析 |
| 5.2 样本内分析 |
| 5.3 样本外预测 |
| 5.3.1 短期的样本外预测结果分析 |
| 5.3.2 高、低波动期间的预测能力 |
| 5.3.3 中长期样本外的预测结果分析 |
| 5.4 稳健性检验 |
| 5.4.1 不同时间窗口的样本外预测 |
| 5.4.2 基于已实现核波动率的样本外预测 |
| 5.4.3 月度情绪指标的样本外预测 |
| 5.4.4 综合情绪指标的样本外预测 |
| 结论 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及科研成果 |
（10）对中国股市牛、熊市的识别及预测研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 引言 |
| 1.1 选题背景与意义 |
| 1.1.1 选题背景 |
| 1.1.2 选题意义 |
| 1.2 研究问题 |
| 1.3 研究思路与研究方法 |
| 1.3.1 研究思路 |
| 1.3.2 研究方法 |
| 1.4 研究结论与创新之处 |
| 1.4.1 研究结论 |
| 1.4.2 创新之处 |
| 1.5 结构安排与技术路线 |
| 1.5.1 结构安排 |
| 1.5.2 技术路线 |
| 第二章 文献综述 |
| 2.1 股市可预测性 |
| 2.2 股市预测模型 |
| 2.2.1 基于随机过程的预测模型 |
| 2.2.2 基于统计理论的股票价格波动模型 |
| 2.2.3 人工智能预测模型 |
| 2.3 影响中国A股市场的因素 |
| 2.3.1 制度因素 |
| 2.3.2 政策因素 |
| 2.3.3 宏观因素 |
| 2.3.4 市场因素 |
| 2.3.5 企业因素 |
| 2.4 文献评述 |
| 第三章 理论基础与模型构建 |
| 3.1 基于规则的方法 |
| 3.1.1 识别规则 |
| 3.1.2 预测方法 |
| 3.2 马尔可夫区制转换模型 |
| 3.3 预测因子 |
| 第四章 基于上证综指的牛、熊市识别及预测 |
| 4.1 数据处理 |
| 4.1.1 上证综指 |
| 4.1.2 预测变量及其系数 |
| 4.2 牛、熊市识别结果 |
| 4.3 牛、熊市预测结果 |
| 第五章 对各方法识别、预测结果的评估 |
| 5.1 评估体系的构建 |
| 5.1.1 统计测度 |
| 5.1.2 经济测度 |
| 5.2 识别、预测结果的评估 |
| 5.2.1 对识别结果的评估 |
| 5.2.2 对预测结果的评估 |
| 5.3 稳健性检验 |
| 5.3.1 LT算法中的涨跌幅阈值 |
| 5.3.2 PS算法中的持续时间 |
| 5.3.3 风险厌恶情绪 |
| 第六章 结论与展望 |
| 6.1 研究结论 |
| 6.2 研究展望 |
| 参考文献 |
| 后记 |
四、非线性GARCH模型在中国股市波动预测中的应用研究（论文参考文献）
- [1]中国大陆股市与国际主要股市的相依性、风险溢出与影响因素研究[D]. 钱玲玲. 浙江大学, 2021(02)
- [2]基于金融时间序列与深度神经网络的股票市场预测性研究[D]. 欧阳玉龙. 江西财经大学, 2021(10)
- [3]基于AT-BNLSTM-GARCH模型的股市波动率预测及风险测度研究[D]. 姜旭. 上海师范大学, 2021(07)
- [4]基于贝叶斯和似然函数方法对我国股市价格波动预测研究[D]. 王政. 云南财经大学, 2021(09)
- [5]中国资本市场健康、稳定、持续成长的路径研究——基于中国股市性质评判与预测指标构建的实证[J]. 陆岷峰,徐博欢. 华北金融, 2021(03)
- [6]深港通对我国股票市场波动性影响研究[D]. 毛小丽. 华南理工大学, 2020(02)
- [7]国际股市高频波动信息与我国股市波动率预测研究[D]. 雷立坤. 西南交通大学, 2020(06)
- [8]深度神经网络组合模型对股指的预测研究与实证对比[D]. 刘丽缤. 重庆工商大学, 2020(10)
- [9]不同情绪指标对中国股市波动率的预测精度分析[D]. 唐吝春. 西南交通大学, 2020(07)
- [10]对中国股市牛、熊市的识别及预测研究[D]. 徐博欢. 南京财经大学, 2020(08)