基于EEMD的股票市场影响因素和风险度量研究
自上世纪90年代建立以来，我国股票市场取得了巨大成就，已经成为我国市场经济的重要组成部分，股票市场的健康发展也是我国经济繁荣稳定的重要基石。然而，由于高风险高收益的特征，再加上机制不成熟，我国股市经常会出现异常波动的现象。大量实证研究表明，股价波动与宏观经济之间存在密切关系，对股市与宏观经济的关系进行研究有助于认清股市波动的成因。随着我国资本市场的逐步开放，金融领域尤其是股票市场面临的市场风险愈加复杂，提高风险防范、控制和监管显得愈加重要，对股票市场风险度量进行深入研究有助于防范股票市场风险，保障我国股票市场稳定。 美国工程院华裔院士黄锷教授在1998年提出了一种新的时频分解方法:经验模态分解(EMD，Empirical Mode Decomposition)。这种方法无需预设基函数，而是依据信号本身的时间尺度特征来进行分解。与傅里叶分解和小波分解等方法相比，EMD分解拥有更强的局部表现能力，能更准确地刻画信号原始的物理特性，非常适合处理非线性、非平稳时间序列。集合经验模态分解(EEMD，Ensemble Empirical Mode Decomposition)改进了EMD算法，通过加入白噪声的方式，解决了EMD分解中模态混合的问题，能更加精确地对时间序列进行分解。 本文提出了基于EEMD分解的股票市场波动的宏观经济影响因素研究方法。首先运用EEMD分解方法对上证综指和深证成指收盘价序列进行分解，得到周期不同的分量，这种分量叫作本征模态函数(IMF，Intrinsic Mode Function)。再运用一种IMFs优化重组算法挑选合适的IMFs并重组成一个新序列，然后将新序列与通货膨胀、工业增加值、货币供应量、利率、汇率等5个宏观经济变量一起建立向量自回归模型(VAR，Vector Auto-Regression)，应用协整分析和方差分解等方法对他们之间的关系进行研究。 随着股票市场不断发展和股市风险的愈加复杂，对股票市场金融风险度量水平的要求也越来越高。在险价值(VaR，Value At Risk)模型是国际风险管理领域最主流的模型之一，创新VaR度量模型和计量方法，对于优化股票市场风险管理具有实际意义。本文提出了一种基于EEMD分解的神经网络分位数回归模型来度量VaR。神经网络分位数回归(QRNN，Quantile Regression Neural Network)放松了对金融数据分布的强假设约束，也不依赖对波动率的测度来计算VaR，能更好地刻画我国股票市场金融数据尖峰厚尾的特性。 本文实证研究表明，中国的宏观经济因素波动对股票市场波动是有影响的，股价的波动一定程度上反映了宏观经济的变化。通货膨胀和利率对股价有负面影响，而经济增长、货币供应量和汇率对股价有正面影响，这和过往理论相一致。另外，EEMD-QRNN模型度量股票市场VaR的回溯测试表明这种方法效果良好。
股票市场;在险价值;集合经验模态分解;神经网络分位数回归
北京化工大学
硕士
管理科学与工程
贺凯健
2017
中文
F832.51
67
2017-08-15（万方平台首次上网日期，不代表论文的发表时间）