摘  要

金融证券市场是一个充满噪声的动态系统，对于投资者来说，如何准确地预测股票波动率和风险的度量是一个热点问题。本文主要进行了广义自回归条件异方差（Realized GARCH）模型的实证分析与相关LSTM模型的构建。并基于标准T分布与偏T分布，对沪深300指数的收益率序列进行波动率预测与VaR度量，并纳入混频数据的几种已实现测度，提高了预测准确率。在实证分析部分，通过无条件覆盖检验、条件覆盖检验、损失函数的方法，比较模型的预测结果。实证分析表明：（1）标准T分布下使用5分钟RV频率数据对于日收益率的拟合效果最好。VaR回测中，纳入1min RV值的模型表现最优。（2）较高频数据包含更多有用信息，但并不是抽样频率越高效果越好。（3）从不同分布的角度，基于标准t分布的模型其表现整体上优于偏t分布模型。

在深度学习部分，实际建模过程中不断调整模型并尝试了多种模型架构和超参数，使用图与表格的形式展示了不同模型之间预测结果的优劣。综合结果表明：经调整后的LSTM模型表现效果更好，这反映了深度学习模型具有优秀的预测潜力和灵活的多变性，在金融证券市场的预测与风险度量的问题上有广阔前景。

 

关键词：广义自回归条件异方差模型；长短期记忆网络；VaR预测；风险度量；收益率；沪深300

目  录

 

第一章 绪论 1

1.1 研究背景 1

1.2 国内外研究现状 1

1.2.1 GARCH族模型研究现状 1

1.2.2 基于机器学习方法的研究现状 2

1.3 研究意义 2

第二章 模型介绍 3

2.1 Realized GARCH模型 3

2.1.1 已实现测度 3

2.2 基于TensorFlow的LSTM模型 4

第三章 实证分析 6

3.1 所选取样本数据信息 6

3.2 参数估计与分布形式 8

3.3 VaR估计 10

第四章 LSTM模型 12

4.1 数据集与模型结构 12

4.2 超参数的选取 13

4.3 模型训练 14

4.4 模型改进 15

第五章 结论与不足 17

5.1 模型比较与结论总结 17

5.2 本文的不足之处 17

参考文献 18

致  谢 19