声明
摘要
1 绪论
1.1 课题研究背景及意义
1.2 国内外研究现状及发展趋势
1.2.1 非线性滤波理论的研究现状
1.2.2 前馈神经网络及训练方法研究现状
1.2.3 金融市场微结构模型及估计方法的研究现状
1.3 本文的研究内容和结构安排
2 基于状态空间模型的非线性滤波方法
2.1 概述
2.2 动态系统的状态空间模型
2.2.1 扩展卡尔曼滤波
2.2.2 无忌卡尔曼滤波
2.3 标准粒子滤波
2.4 改进的粒子滤波—APF-IEKF
2.4.1 辅助粒子滤波
2.4.2 迭代扩展卡尔曼滤波
2.4.3 迭代扩展卡尔曼辅助粒子滤波
2.5 仿真实验及结果分析
2.5.1 非线性系统仿真
2.5.2 非线性高斯系统仿真
2.5.3 期权数据仿真
2.6 本章小结
3 基于非线性滤波的MLP网络训练
3.1 概述
3.2 基于APNCPF的MLP网络学习
3.2.1 MLP网络结构
3.2.2 MLP网络的状态空间模型
3.2.3 APNCPF训练算法
3.2.4 非线性高斯时间序列仿真
3.2.5 期权数据仿真
3.3 基于自组织状态空间模型的MLP网络学习算法
3.3.1 MLP网络的自组织状态空间模型
3.3.2 基于粒子滤波的自组织状态空间MLP网络训练算法
3.3.3 仿真实验及结果分析
3.4 本章小结
4 基于非线性滤波的RBF网络训练
4.1 概述
4.2 基于非线性滤波的RBF网络学习
4.2.1 RBF网络结构
4.2.2 RBF网络的状态空间模型
4.2.3 基于APNCPF的RBF网络训练
4.2.4 基于自组织状态空间模型的RBF网络训练
4.3 基于EKF-EM算法的RBF-AR模型参数辨识
4.3.1 RBF-AR模型的状态空间模型
4.3.2 EKF-EM算法
4.3.3 仿真试验及结果分析
4.4 本章小结
5 基于UKF估计的跳跃市场微结构模型
5.1 概述
5.2 市场微结构模型
5.2.1 连续市场微结构模型
5.2.2 连续市场微结构模型的离散化
5.2.3 市场微结构模型的金融意义
5.3 跳跃市场微结构模型
5.3.1 加入跳跃的连续市场微结构模型
5.3.2 连续跳跃市场微结构模型的离散化
5.4 跳跃市场微结构模型的估计
5.4.1 跳跃的检测
5.4.2 参数估计
5.5 模拟数据仿真
5.6 我国股票市场的实证研究
5.6.1 数据特征分析
5.6.2 实证结果分析
5.7 我国和美国股票市场的对比研究
5.7.1 数据特征分析
5.7.2 实证结果对比分析
5.8 本章小结
6 基于MCMC估计的杠杆效应市场微结构模型
6.1 概述
6.2 具有杠杆效应的市场微结构模型
6.3 杠杆效应市场微结构模型估计
6.4 模拟数据仿真分析
6.5 我国股市的非对称性研究
6.5.1 数据特征分析
6.5.2 实证结果
6.5.3 我国股市非对称性结果分析
6.6 美国股市的非对称性研究
6.6.1 数据特征分析
6.6.2 实证结果
6.6.3 美国股市非对称性结果分析
6.7 本章小结
7 基于MCMC估计的厚尾市场微结构模型
7.1 概述
7.2 学生t分布的厚尾性
7.3 厚尾市场微结构模型
7.4 厚尾市场微结构模型估计
7.5 仿真研究
7.6 中美股票市场实证研究
7.6.1 数据选取
7.6.2 统计特性分析
7.6.3 自相关性检验
7.6.4 数据拟合结果分析
7.6.5 模型绩效比较
7.7 本章小结
8 结论与展望
8.1 结论
8.2 展望
参考文献
攻读学位期间主要的研究成果
致谢