神经网络在经济市场波动率建模与预测中的应用

doi:10.3969/j.issn.1006-2475.2018.06.003

摘要/Abstract

摘要： 本文提出一种马尔可夫交换人工神经网络，应用于经济市场中的黄金市场的波动性建模与预测。本文所提出的模型在条件波动过程的动态性与传统神经网络模型相比，在预测能力上有所不同。在本文中，应用此类模型来检验黄金收益率的波动性。对绝对误差、均方误差和均方根误差准则加以评估，并且在相同精度下进行改良的DieboldMariano测试。为黄金市场日收益的预测提供了一个实证应用，结果表明，该方法在模拟和预测国际黄金日收益波动性方面具有较好的效果。

关键词: 人工智能, 神经网络, 经济市场, 波动率, 马尔可夫

Abstract: ThispaperpresentsaMarkovswitchingartificialneuralnetwork(HMM),whichisappliedtothevolatilitymodelingandpredictionofthegoldmarketintheeconomicmarket.Theproposedmodelsdifferintermsofboththedynamicsoftheconditionalvolatilityprocessandtheforecastingcapabilitiescomparedtotraditionalneuralnetworkmodels.Inthispaper,thesemodelsareusedtotestvolatilityofgoldreturn.MAE,MSEandRMSEareevaluatedandtheimprovedDieboldMarianotestiscarriedoutunderthesameprecision.Anempiricalapplicationisprovidedforforecastingdailyreturnsingoldmarket.Theresultssuggestthattheproposedapproachperformswellinmodelingandforecastingvolatilityindailyreturnsofinternationalgoldmarket.

Key words: artificialintelligence, neuralnetwork, economicmarket, volatility, Markov

中图分类号:

TP183

谢荣燕. 神经网络在经济市场波动率建模与预测中的应用[J]. 计算机与现代化, 2018, 0(06): 12-.

XIERong-yan. NeuralNetworksforModelingandForecastingVolatilityofEconomicMarket[J]. Computer and Modernization, 2018, 0(06): 12-.

参考文献

［1］AndersenTG,BollerslevT.Dm-Dollarvolatility:Intradayactivitypatterns,macroeconomicannouncementsandlongerrundependencies［J］.JournalofFinance,1988,53(1):219-265.
［2］AndersenTG,BollerslevFX.Modelingandforecastingrealizedvolatility［J］.Econometrical,2003,71(2):579-625.
［3］CorsiF.Asimpleapproximatelong-memorymodelofrealizedvolatility［J］.JournalofFinancialEconometrics,2009,7(2):174-196.
［4］魏宇.沪深300股指期货的波动率预测模型研究［J］.管理科学学报，2010,2010(2):66-76.
［5］AbhinavR,NaranMP,WuJZ,etal.Short-termwindpowerforecastingusingwavelet-basedneuralnetwork［J］.EnergyProcedia,2017,142(1):455-460.
［6］FengLihua,ZhangJianzhen.Applicationofartificialneuralnetworksintendencyforecastingofeconomicgrowth［J］.EconometricalModel,2014,40(C):76-80.
［7］LiborKrkoska,UtkuT.AccuracyofGDPgrowthforecastsfortransitioncountries:Tenyearsofforecastingassessed［J］.EconometricalSystem,2009,33(1):386-388.
［8］TinoPS,DorffnerCG.Financialvolatilitytradingusingrecurrentneuralnetwork［J］.IEEETransactionsonNeuralNetwork,2001,12(4):865-874.
［9］BrabecM,KonarO,PelikE.Anonlinearmixedeffectedmodelforthepredictionofnaturalgasconsumptionbyindividualcustomer［J］.InternationalJournalofForecasting,2008,24(1):659-678.
［10］Aydinalp-KoksalM,UgursalV.Comparisonofneuralnetwork,conditionaldemandanalysis,andengineeringapproachesformodelingenduseenergyconsumptionintheresidentialsector［J］.AppliedEnergy,2008,85(1):271-296.
［11］GeemZW,RoperWE.EnergydemandestimationofSouthKoreausingartificialneuralnetwork［J］.EnergyPolicy,2009,37(5):4049-4054.
［12］WadudZ,DeyHS,KabirM.ModelingandforecastingdemandinBangladesh［J］.EnergyPolicy,2011,39(1):7372-7380.
［13］AlmaYA.Electricitypricesforecastingusingartificialneuralnetwork［J］.IEEELatinAmericaTransactions,2018,16(1):105-111.
［14］KadaA,YoulalH.E-financialsecuresolutionusingneuralnetworktechniques［J］.CanadianJournalofElectricalandComputerEngineering,2005,30(3):145-148.
［15］XuZhiping.ModelingandsimulationoffinancialcrisiswarningsystembasedonRBFneuralnetwork［C］//2016InternationalConferenceonRobots&IntelligentSystem(ICRIS).2016:264-267.
［16］RamadhanG,ArianD,SurjandariI,etal.ApplicationofartificialneuralnetworkforpredictingcompanyfinancialperformanceinIndonesiastockexchange［C］//20173rdInternationalConferenceonScienceinInformationTechnology(ICSITech).2017:241-245.
［17］MaChi,LinJunnan,SunHongyan,etal.Ahybridfinancialtimeseriesmodelbasedonneuralnetworks［C］//20178thInternationalConferenceonIntelligentControlandInformationProcessing(ICICIP).2017:303-308.

[1]	何思达, 陈平华. 基于意图的轻量级自注意力序列推荐模型[J]. 计算机与现代化, 2024, 0(12): 1-9.
[2]	张晓东1, 白广芝1, 李敏1, 李昊洋2. 基于经验小波变换的油气井产量预测模型 [J]. 计算机与现代化, 2024, 0(12): 53-58.
[3]	刘宝宝, 杨菁菁, 陶露, 王贺应. 基于注意力的DSMSC的遥感图像场景分类[J]. 计算机与现代化, 2024, 0(12): 72-77.
[4]	陈亮, 李诚, 易伟, 熊伟, 汪晓帆, 唐海东. 基于毫米波雷达与视觉融合的电力现场安全帽佩戴检测[J]. 计算机与现代化, 2024, 0(12): 100-107.
[5]	马钰, 杨勇, 任鸽, 帕力旦·吐尔逊. 基于GCN和微调BERT的作文自动评分方法[J]. 计算机与现代化, 2024, 0(09): 33-37.
[6]	陈雪松1, 李衡1, 王浩畅2. 结合注意力机制和Mengzi模型的短文本分类[J]. 计算机与现代化, 2024, 0(09): 101-106.
[7]	赵花蕊. STRL：基于强化学习的测试算法[J]. 计算机与现代化, 2024, 0(08): 5-10.
[8]	高帅鹏, 王怡凡. 基于图像的群体情绪识别综述[J]. 计算机与现代化, 2024, 0(08): 98-107.
[9]	来坤. 字符模糊的中文纸质发票文字识别方法[J]. 计算机与现代化, 2024, 0(08): 114-119.
[10]	周宪溪, 牟莉. 基于改进TF-IDF和AGLCNN的新闻长文本分类模型[J]. 计算机与现代化, 2024, 0(08): 120-126.
[11]	杨江1, 孙晓梅1, 许韬2. 基于业务内容构建股票关联关系的股价预测[J]. 计算机与现代化, 2024, 0(07): 21-25.
[12]	刘存莉1, 雷占占2, 郑澳2. 基于循环卷积神经网络的排水管网缺陷检测方法[J]. 计算机与现代化, 2024, 0(07): 26-35.
[13]	武军凯, 茅正冲. 基于CDKF-RBFPID的激光器恒流源控制器[J]. 计算机与现代化, 2024, 0(07): 100-105.
[14]	周超, 丛鑫, 訾玲玲, 肖谷平. 基于DNN与注意力机制的推荐算法模型[J]. 计算机与现代化, 2024, 0(06): 1-7.
[15]	李珊, 王林娜, 高丁佳, 宣海波. 基于图神经网络的多层银企网络融合研究[J]. 计算机与现代化, 2024, 0(05): 27-32.