一种混合建模方法及其在ETF期权定价中的应用

科学合理的交易型开放式指数基金（ETF）期权定价有利于充分发挥其风险对冲功能,也是一个需要准确掌握市场规律并兼顾经济学意义的复杂建模过程。本文提出了一种新的混合建模方法,将嵌套长短时记忆神经网络模型（NLSTM）与Heston模型结合,实现ETF期权定价偏差的动态修正,并基于华夏上证50ETF、嘉实沪深300ETF和华泰柏瑞沪深300ETF的高频期权数据,实验验证了所提方法的有效性。研究结果表明,不同类型ETF期权价格的波动特征差异显著,无论是基于BS定价模型还是Heston定价模型都难以准确刻画ETF期权价格的复杂变化规律。通过将NLSTM神经网络模型与Heston模型结合,能够有效地捕捉不同类型ETF期权的动态变化规律,从而提升ETF期权定价的准确性。     

基于可变区间权重的中期用电量半参数预测模型

由于数据变化规律的多样性,中期电力负荷的波动有着不同于短期、长期负荷的特点。基于电力系统复杂性的研究视角,重点讨论了中期负荷预测过程中模型的不确定性、参数的时变特性以及负荷波动的周期性规律。根据中期负荷的数据特性,建立了基于非参数修匀的半参数模型,定义了函数区间的划分粒度以及模型权重的求解方法,提出了基于可变区间权重的动态预测方法,给出了基于经验模态分解和波动能量分析的噪声序列提取、检验方法。试验研究结果表明,气候因素对用电消耗的影响最大,经济因素次之;从选取的指标来看,不同时期的影响因素对于模型的解释能力是时变的;所提方法能够对电力负荷进行精确的多粒度、多维度分析,进而掌握其局部变化规律,可有效用于电力系统中期负荷预测。     

基于惩罚最小二乘估计的长期用电量半参数预测模型

文章针对惩罚最小二乘估计的高精度特性,构建了基于惩罚最小二乘估计的半参数回归模型。并将指数平滑思想融入模型,对模型的误差序列进行趋势外推与大幅度外延预测。实证结果表明了所提方法的有效性。