基于深度学习方法的中国黄金价格波动率预测模型研究：GARCH、ANN和LSTM模型的综合应用

摘要

金融市场的风险与收益并存，波动率作为衡量风险大小的一个绝对指标，其本身并无好坏之分，它的存在意味着机会，也意味着挑战。波动率能够影响金融衍生品的定价、资产组合的管理以及期货现货市场的套期保值，所以在现代金融市场中波动率就显得尤其重要。在大多数风险管理策略中，对风险的有效衡量和预测起着承上启下的作用。而黄金作为大宗商品中重要的交易标的，对其波动率的预测也受到了越来越多的关注。本文在前人的研究基础上，探究中国黄金价格的波动率特征，创新性地将GARCH模型与人工智能算法相结合，引入了人工神经网络模型ANN与长短期记忆模型LSTM，同时结合模型特征，还探究了两种深度学习模型LSTM-ANN混合和LSTM-E集成。为了提升模型的学习效率，本文还结合实际情况增加了汇率市场、股票市场和其他宏观指标的金融数据，以此提升模型的学习效率。本文旨在通过不同输入数据时间窗口维度、不同模型维度（五种实证模型）以及不同标的（黄金期货与现货）维度来探索中国黄金价格波动率的特征与预测效果。　　根据最终的实证结果可以看出，不论是黄金期货还是黄金现货，在对中短期的黄金价格波动率进行预测时，机器学习模型相对于GARCH模型能取得更好的预测结果。相比于人工神经网络模型ANN，不论是训练集还是测试集，深度学习模型的拟合和预测效果更好。由于混合模型LSTM-ANN比基础模型ANN的拟合与预测能力更好，但不及基础模型LSTM，所以混合模型相对于单个基础模型的提升率视情况而定。集成模型具有强大的拟合能力，在训练集中都能有很好的拟合效果，但集成模型容易出现过拟合化，从稳定性来看，在黄金期货和黄金现货的预测表现依然不及LSTM模型。当数据输入时间窗口取10日时，模型的预测效果会更好，这表明在中国黄金市场上，用中短期因素来预测中短期波动率效果会更佳。在单个最优模型的选取上，黄金期货市场的最优预测模型为输入时间窗口取10日时的LSTM模型，黄金现货市场的最优预测模型为时间窗口取20日时的LSTM-E集成模型。但总体来看在中国黄金市场波动率预测方面LSTM模型表现更好，在不同数据输入窗口期中10日数据的预测效果更优。　　本文的主要贡献在于针对国内黄金市场，本文提供了一种新的价格波动率预测思路，同时丰富了机器学习模型的建模。分析各模型预测值与实际值的误差发现，模型的预测结果基本能够实现与实际值的同向波动。在实证应用中将实证分析部分模型的预测结果应用于在险价值模型（VAR）中，发现不论是黄金期货还是黄金现货，深度学习模型的正确率要高于GARCH模型和ANN模型。黄金期货的正确率水平总体上高于黄金现货，这很可能是因为黄金现货价格收益率的分布比黄金期货更加尖峰厚尾，所以更易受极端值的影响。本文的研究结果希望能对未来黄金市场价格波动率的风险管理提供帮助。

目录

声明

1.绪 论

1.1 研究背景及研究目的

1.2 相关文献综述

1.3 本文的创新点及不足

1.4 本文的研究方法及内容

2.理论模型综述

2.1 我国黄金市场综述

2.2 波动率风险及其特征

2.3 金融时间序列模型综述

2.3.1 线性金融时间序列模型

2.3.2 非线性金融时间序列模型

2.4 本文实证研究模型概述

3.数据与数据处理

3.1 实证数据来源

3.2 波动率计算方法

3.3 数据标准化模型

3.4 模型预测结果评价指标

4.模型的实证分析

4.1 描述性统计

4.2 模型的实证分析

4.2.1 GARCH 模型实证分析

4.2.2 ANN模型实证分析

4.2.3 LSTM 模型实证分析

4.2.4 LSTM-ANN混合模型实证分析

4.2.5 LSTM-E集成模型实证分析

4.3 黄金期货价格波动率实证结果

4.4 黄金现货价格波动率实证结果

4.5 实证结果总体评价

5.模型的实证应用

6.相关结论以及建议

参考文献

后 记

致谢