论文网
关于神经网络方面论文范文例文,与基于RBF神经网络的权证价格预测相关论文查重免费
本论文是一篇关于神经网络方面论文查重免费,关于基于RBF神经网络的权证价格预测相关在职毕业论文范文。免费优秀的关于神经网络及金融理论及神经元方面论文范文资料,适合神经网络论文写作的大学硕士及本科毕业论文开题报告范文和学术职称论文参考文献下载。
式认购权证,存续期365天,自2008年5月26日到2009年5月25日,该权证初始行权价格为10.77元,2009年4月22日由于股票除息,行权价格调整为5.36元并保持此行权价格直到行权过程结束.此处选取其每个交易日最高价和最低价的平均值为研究数据.从样本数据中截取中间段的3个月作为输入数据,采集范围为2008年9月17日到2008年12月16日,通过所建立的网络对其后的7个交易日,即08年12月17日到12月26日进行预测并与实际值进行对比.为了提高网络泛化能力,在输入之前首先对样本进行归一化处理,令数据的区间变为[0,1].
金融理论中影响权证价格的因素主要有六个,分别为标的股票的现行价格、权证的执行价格、权证到期期限、股票价格的波动率、无风险利率、权证有效期内预计发放的红利.但由于发放红利距离当前交易日较远,因此本文中不进入模型.另外模型使用隐含波动率,由于当期隐含波动率无法直接观测,但上一时期隐含波动率是可以计算的,故此模型输入中引入的是上一期的隐含波动率.则本文设定模型选取的输入为:股价和行权价之比S(t)/X、无风险利率r、波动率V(t-1)和权证到期期限T-t,并有一个输出即权证价格C(t).在仿真试样中采取一年期存款利率为无风险利率.
本文中利用Matlab(R2008b)软件进行仿真试验,录入数据并利用最大最小值法归一化处理之后,首先确定径向基函数节点密度(散布常数)spread.理论上来说利用RBF网络,任意的输入输出样本都能够达到函数逼近的目的,但是如果节点密度选择不佳会对网络设计使用造成影响,spread值反映基函数的扩展速度,该值越大则函数拟合就越平滑,但是如果过大则径向基神经元输入会出现很大的重叠性,过小则为了适应函数的缓慢变化就需要更多的神经元数目,影响网络性能.设定性能函数指标误差平方和(SSE)为0.01,最大神经元数量50个,每次运算添加一个神经元,利用试错法,取得spread等于1即可满足要求.
经过试验发现,在响应神经元数量为5个的时候就可以达到性能指标的要求,远远没有达到饱和值,说明拟合还是很有效的,此时拟合SSE为0.0651.从拟合情况(图3)上可以看到,拟合曲线还是比较好的反映了权证价格序列的变动趋势和幅度.
通过训练好的网络,对08年12月17日到12月26日的7个交易日进行预测.通过表1可以看到预测情况,其中绝对误差值为实际价格和预测价格之差的绝对值,误差百分比表示误差值对实际价格的百分比,为了更进一步比较,同时列出BS公式得出的权证价格:
从预测效果来看,RBF人工神经网络对后续7个交易日预测的误差上限在2.30%以下,对第1个预测样本点预测的效果最好,误差小于1.00%,而第2个预测点误差则上升了1.063%达到1.76左右,第3个交易日误差又上升了0.450%,然后开始稳定在2.20%左右,这首先反映了RBF网络在预测与训练样本时间距离最近的测试点时效果最好,而后则误差趋于稳定的一个范围,第七个预测点的预测误差突然下降则可能预示了后续预测误差会有一定的波动.这种特性在一定程度上显示了金融数据所具有的马尔科夫性质,也说明了RBF网络在进行短期预测上优势更为明显.
与BS公式预测值进行对比,BS公式预测值的误差全部在3.00%以上,而其误差上限则达到了24%以上,这说BS模型在我国资本市场的应用还有待于改进,同时也更进一步直观地显示了RBF网络所具有的精度优势.
五、基本结论
本文以康美权证为样本建立RBF网络进行仿真和预测,根据仿真实验结果,总体上得到这样的结论:
1.从仿真效果来看,RBF神经网络模型在整体上较好的拟合了权证的实际价格,拟合结果与实际值具有一致性.而预测的结果也表现出较高的准确性,所以利用RBF神经网络模型对权证价格变化进行预测是可行的.
2.对于本文所选择的样本数据,RBF网络在价格预测上的精度较BS模型更优.这说明神经网络模型的应用条件更加宽松,适应性也比BS模型更好.从RBF网络和BS模型的预测对比可以看到,通过RBF网络所得到的预测值则和权证实际价格保持了一致的变化状态,其误差也能够控制在比较小的范围内,误差上限不超过2.3%,而BS公式计算出来的预测值波动幅度比较大,同时预测效果的准确性也不好,其中个别样本点大幅度偏离其实际价格.RBF网络在价格预测上显示了比较强的优势,在精确性上与传统的BS公式方法相比有了很大改善,可以在我国资本市场权证价格的分析预测中起到重要作用,能够对我国相对特殊的金融环境下应用传统方法所带来的不足起到弥补作用.
3.RBF网络对权证价格的拟合和预测结果都是比较良好的,一方面体现了人工神经网络良好一致逼近效果和结构上容错性,另一方面与基本金融理论一致,也证实我国资本市场欧式认购权证价格确实以其标的股价、距到期日的时间、无风险利率、波动率和行权价格为影响因素,但这些因素的影响方式则可能更加复杂,需要进一步探讨.
4.RBF神经网络模型仍有进一步提升精度的空间.一方面由于我国权证市场发育尚不成熟,随着金融环境的改善预测表现会更加良好,另一方面,在技术上也可以探求输入变量范围、网络结构等方面的优化,比如引入如GA算法、PSO算法等各种参数优化方法,或其他信息处理技术,如信息粒化方法等,进一步探求提高拟合和预测的精度.同时也有必要不断拓展用于权证价格分析预测的人工神经网络类型.
| 有关论文范文主题研究: | 关于神经网络的论文例文 | 大学生适用: | 学院论文、硕士毕业论文 |
|---|---|---|---|
| 相关参考文献下载数量: | 80 | 写作解决问题: | 怎么撰写 |
| 毕业论文开题报告: | 论文模板、论文结论 | 职称论文适用: | 职称评定、高级职称 |
| 所属大学生专业类别: | 怎么撰写 | 论文题目推荐度: | 优质选题 |
参考文献:
[1]J.M.Hutchinson,A.W.Lo,T.Poggio,NonparametricApproachtoPricingandHedgingDerivativeSecuritiesViaLearningNetworks[J].TheJournalofFinance,Vol.49,No.3,1994
[2]F.Black,N.Scholes,Thepricingofoptionsandcorporateliabilities[J].JournalofPoliticalEconomy81,637～659,1973
[3]F.Girosi,T.Poggio,Networksandthebestapproximationproperty[J].BiologicalCyberics63,169～176,1990
[4]K.M.Kiani,ArtificialNeuralNetworksandTimeSeriesModels[J],ComputationalEconomics,(2005)26:65～89
[5]JohnC.Hull,期权、期货和其他衍生产品[M].北京:华夏出版社,2000
[6]朱杰:期货价格预测――反向传播神经网络模型[J].数学的实践与认识,2000
[7]朱家荣等:RBF网络的汇率短期预测[J].统计与决策,2008年17期
[8]王新军郭绪光:保险业财产损失分布的拟合及预测――基于RBF神经网络的应用分析山东大学学报(哲学社会科学版)[J].2009年01期
[9]江弋林永鹏:RBF神经网络在股价预测中的应用[J].心智与计算,2007,1(4)
关于神经网络方面论文范文例文,与基于RBF神经网络的权证价格预测相关论文查重免费参考文献资料：