USST_Arts_112540661 基于小波理论及神经网络的国债期货预测研究

VIP免费

3.0 赵德峰 2024-11-11 4 4 2.53MB 63 页 15积分

侵权投诉

摘要

国债期货重回市场牵动着数以万计的投资者的心，对于国债期货合约价格走

势的预测也是很多人探寻的目标。然而由于国债期货的价格受政治环境、宏观环

境、投资者心理等众多因素的影响，因此使得对国债期货价格的预测变得较为困

难。尽管如此，仍然有越来越多的学者和投资者对这一领域展开相关的研究实践

工作，以期通过较精准的预测，能够更好的把握市场。

本文基于国内外已有的研究成果，充分考虑我国国债期货市场的实际情况，

结合已有的数据资料，通过综合比较各种模型预测效果的优劣，最终选择将小波

分析和小波神经网络相结合，构建成 W-小波神经网络模型，对国债期货进行分析

及预测，并与传统 BP 神经网络的预测结果进行比较。

本文的样本取 2012 年2月20 日到 2013 年7月26 日国债期货指数模拟盘的

每日收盘价的对数收益率，共 348 个数据，并将前 318 个数据作为初始值建立预

测模型，对后 30 个值进行预测。

首先利用小波分析理论，选用 db3 小波作为小波基函数对原始收益率序列进

行2层分解与重构，得到近似分量 A2 和细节分量 D1、D2。随着分解层数的增加，

细节分量越来越平滑，而近似分量 A2 具有明显的趋势性，并在增加分解层次的过

程中，将尖峰厚尾的特征独立出来，使序列变得越来越平滑。

其次，随后对人工神经网络模型进行改进，用小波函数代替神经网络中隐含

层的激励函数，同时用小波函数的尺度参数和位移参数代替输入层到隐含层的权

值及阈值，构造了小波神经网络。根据子序列的特点，建立 4-9-1 结构的小波神经

网络，隐含层的激励函数为 Morlet 小波函数，模型对 3个子序列分别进行模拟和

预测。

最后，将 3组预测的结果通过小波重构，得到对原始收益率序列的预测值，

对结果进行误差分析，得出 W-小波神经网络在对波动性信号预测具有一定的适应

性，且在神经网络节点等相同的情况下，W-小波神经网络模型与 BP 神经网络相

较，学习速度更快，预测精度更高。

关键词：国债期货小波分析理论小波神经网络 BP 神经网络

ABSTRACT

Treasury futures return to the market affects the hearts of tens of thousands of

investors, the price trend of treasury futures is the goal exploring by a lot of people.

However, because of treasury futures was affected by political environment, the macro

environment, investor psychology, and many other factors, making predictions on

treasury futures become more difficult. Nevertheless, there are still more and more

scholars and investors expand relevant research work and practice in this area, in order

to predict more accurately and grasp market better.

This paper is based on the existing research results at home and abroad, combined

with Chinese actual treasury futures market situation and existing data. Through

comparing the forecast results of various models, the final choice will be combined with

wavelet analysis and wavelet neural network, construct W-Wavelet neural network

model to analyze and predict the price of treasury futures, and compared with the

prediction results of traditional BP neural network.

The samples were taken the log return rate of treasury futures daily closing price

from 2012.2.20 to 2.13.7.26, there are altogether 348 data. And the first 318 data as the

initial value to establish prediction model and predict the last 30 data.

First, using the theory of wavelet analysis, then choose db3 as the wavelet basis

function to do 2 layer decomposition and reconstruction on the original sequence, to

obtain an approximate component A2 and detail components D1, D2. With the

decomposition level increases, the detail components are more and more smooth, and

the approximate component A2 has obvious trend, and on the increase in the process of

decomposition levels, the fat tail feature independent, the sequence is becoming more

and more smooth.

Secondly, improve the artificial neural network and construct wavelet neural

network. The activation function of neural network hidden layer is replaced by the

wavelet function. Simultaneously, stretching and translation parameters of wavelet

function instead of the weights and thresholds of input layer to hidden. According to the

characteristics of sub-sequences, establish the structure 4-9-1 wavelet neural network,

the activation function of hidden layer is Morlet wavelet function. Three sub-sequences

are simulated and predicted by the model.

Finally, three groups predicted results through wavelet reconstruction to get the

predicted values of original return series. The error analysis is carried out on the results,

the W-wavelet neural network has certain flexibility in the prediction of the fluctuating

signals, and in the situation of same neural network node, the W-wavelet neural network

model learning faster and prediction accuracy is higher than BP neural network.

Key Words：Treasury futures, Wavelet theory, Wavelet neural network,

BP neural network

摘要

ABSTRACT

目录 ............................................................................................................................... 9

第一章绪论 ................................................................................................................. 1

1.1 选题背景与研究意义 ............................................ 1

1.1.1 我国国债期货背景 ............................................. 1

1.1.2 研究意义 ..................................................... 3

1.2 国内外相关研究综述 ........................................... 4

1.3 研究方法和论文结构 ............................................ 7

1.3.1 研究方法 ...................................................... 7

1.3.2 内容框架 ...................................................... 7

第二章神经网络理论概述 ......................................................................................... 9

2.1 人工神经网络概念 ............................................. 9

2.2 人工神经元模型 .............................................. 10

2.3 激励函数类型 ................................................ 11

2.4 神经网络的分类 .............................................. 12

2.5 神经网络学习方法 ............................................. 14

2.5.1 学习方式 .................................................... 14

2.5.2 学习算法 .................................................... 15

2.6 BP 神经网络模型 .............................................. 17

2.6.1 BP 神经网络结构 .............................................. 17

2.6.2 BP 神经网络的学习算法 ........................................ 18

2.6.3 改进的 BP 算法 ................................................ 19

2.6.4 BP 神经网络参数选择 .......................................... 21

第三章小波分析理论概述 ....................................................................................... 23

3.1 Fourier 变换 ................................................. 23

3.1.1 连续 Fourier 变换 ............................................ 23

3.1.2 离散 Fourier 变换 ............................................ 25

3.2 小波分析理论 ................................................ 26

3.2.1 连续小波变换 ................................................ 26

3.2.2 离散小波变换和小波框架 ....................................... 27

3.2.3 多尺度分析与 Mallat 算法 ..................................... 28

第四章小波神经网络模型 ....................................................................................... 30

4.1 小波神经网络结构 ............................................ 30

4.2 小波神经网络算法 ............................................ 32

4.3 小波神经网络与 BP 神经网络比较 ............................... 33

第五章实证研究 ....................................................................................................... 35

5.1 模型建立的思路 .............................................. 35

5.2 数据归一化处理 .............................................. 36

5.3 模型评价方法 ................................................ 37

5.4 数据统计分析 ................................................ 37

5.5 BP 神经网络模型 .............................................. 39

5.6 W-小波神经网络模型 .......................................... 41

5.6.1 小波分析 .................................................... 41

5.6.2 小波神经网络模型 ............................................ 43

5.6.3 小波重构与收益率预测 ........................................ 45

5.7 两种模型预测比较 ............................................ 45

5.8 小结 ........................................................ 47

第六章研究结论与展望 ........................................................................................... 49

6.1 本文研究成果 ................................................ 49

6.2 本文创新点 .................................................. 49

6.3 研究不足与展望 ............................................... 50

参考文献 ..................................................................................................................... 52

附录 ............................................................................................................................. 56

在读期间公开发表的论文和承担科研项目及取得成果 ......................................... 59

致谢 ......................................................................................................................... 60

第一章绪论

1.1 选题背景与研究意义

1.1.1 我国国债期货背景

国债作为利率市场化的前提和基础，其收益率曲线体现了市场对某国经济及

其金融的信心。2013 年9月6日，中国在相隔 18 年后重新推出国债期货，其作为

国际人民币投资的基本品种之一重回市场，不但完善了债券投资市场，同时也是

推行利率市场化的必要前提。

正是由于我国没有市场化的债券市场，导致了利率市场化成为无锚之舟无源

之水。我国的利率最早的时候是由央行制定，后改为有浮动的基准利率，即由央

行制定了基准利率后，各银行在基准利率的上下限之内自由浮动。我国目前的市

场利率主要参考民间融资的利率，如温州等一些较为活跃的民间融资市场，其融

资利率具有重要的参考意义。但民间融资市场经常会出现大起大落的情况，由于

其大多属于调头寸用的短期拆解，且对风险和信用等缺乏准确的评估和定价。并

且，如果市场化利率仅仅依靠民间融资利率作为指针，面临着使金融定价陷入高

利贷定价的泥潭，因此并不可靠。民间融资利率不足以为市场定价，我国的债券

市场同样不能。我国的债券市场还没有能很好的实现其价格发现功能，平缓的债

券收益曲线恰好证明了这一点。利率的彻底市场化随着央行对贷款利率的放开已

经到了冲刺阶段，而在此刻国债期货应运重生。

由于在市场中缺乏交易主体群，债券逐渐成为银行与机构间自娱自乐的游戏，

尤其是 2010 年前后，债券市场更是处于低谷。由于债券发行浓重的市场化色彩，

绝大多数的信用评级都是最高评级，这就使得信用评级形同虚设，债券市场发生

违约在大多数投资者看来几乎不可能。而在定价方面，因果关系也逐渐颠倒—债

券利息和债券收益率由贷款利率定价，而不是贷款利率由债券收益率定价。2013

年4月份，银行间市场出现了“债市黑幕”，这使得一级市场的垄断黑幕与银行的

杠杆、利益输送渐渐浮出水面。针对这一黑幕，9月2日，中国银行间市场交易商

协会正式对外发布《非金融企业债务融资工具簿记建档发行规范指引》，还修订了

《银行间债券市场非金融企业债务融资工具承销协议文本》和《银行间债券市场

非金融企业债务融资工具承销团协议文本》。

债券市场若要发展成为中国最重要的证券市场，成为利率之锚，那么债券发

行与投资团队则必然要扩大。若以债券收益率曲线作为利率的基准，一旦债券发

文档加载中……请稍候！
如果长时间未打开，您也可以点击刷新试试。

下载文档到电脑，查找使用更方便

15 积分 4人已下载

立即下载 VIP免费下载

摘要：

摘要国债期货重回市场牵动着数以万计的投资者的心，对于国债期货合约价格走势的预测也是很多人探寻的目标。然而由于国债期货的价格受政治环境、宏观环境、投资者心理等众多因素的影响，因此使得对国债期货价格的预测变得较为困难。尽管如此，仍然有越来越多的学者和投资者对这一领域展开相关的研究实践工作，以期通过较精准的预测，能够更好的把握市场。本文基于国内外已有的研究成果，充分考虑我国国债期货市场的实际情况，结合已有的数据资料，通过综合比较各种模型预测效果的优劣，最终选择将小波分析和小波神经网络相结合，构建成W-小波神经网络模型，对国债期货进行分析及预测，并与传统BP神经网络的预测结果进行比较。本文的样本取20...

展开>> 收起<<

USST_Arts_112540661 基于小波理论及神经网络的国债期货预测研究.pdf

共63页,预览7页

还剩页未读，继续阅读

USST_Arts_112540661 基于小波理论及神经网络的国债期货预测研究

相关推荐

开通VIP享超值会员特权

作者详情

相关内容

推荐作者

热门标签

举报选择: