基于LSTM神经网络的金融时间序列预测

本文提出将小波分析与纳入时间序列依赖特征的长短期记忆(LSTM)神经网络相结合,构建金融时间序列数据预测模型,以克服现有模型对金融时间序列数据非平稳、非线性、序列相关等复杂特征以及数据间非线性交互关系无法反映的缺陷。同时,以道琼斯工业指数日收盘价为例,探究LSTM神经网络对实际金融时间序列数据的预测能力,比较其与多层感知机、支持向量机、K近邻、GARCH四种模型的预测效果。实证结果表明LSTM神经网络具有更高的预测精度,能够有效预测金融时间序列数据的长短期动态变化趋势,说明了其对金融时间序列数据预测的适用性与有效性。此外,对金融时间序列数据进行小波分解与重构,可有效提高LSTM预测模型的泛化能力,以及对长短期动态趋势的预测精度。     

基于贝叶斯因子模型金融高频波动率预测研究

构建了包含时变系数和动态方差的贝叶斯HAR潜在因子模型(DMA(DMS)-FAHAR),并对我国金融期货(主要是股指期货和国债期货)的高频已实现波动率进行预测.通过构建贝叶斯动态潜在因子模型提取包含波动率变量、跳跃变量和考虑杠杆效应的符号跳跃变量等预测变量的重要信息.同时,在模型中加入了投机活动变量,以考察市场投机活动对中国金融期货市场波动率预测的影响.预测结果表明,时变贝叶斯潜在因子模型在所有参与比较的预测模型当中具有最优的短期、中期和长期预测效果.同时,具有时变参数和时变预测变量的贝叶斯HAR族模型在很大程度上提高了固定参数HAR族模型的预测能力.在股指期货和国债期货的预测模型中加入投机活动变量可以获得更好的预测效果.     

基于连续双向拍卖的金融市场微观结构研究综述

本文以研究方法为线索,系统回顾了国内外对基于连续双向拍卖交易机制的金融市场微观结构的研究现状,并从理论(包括金融经济学方法,随机分析与仿真方法,金融物理学方法)、实证和实验(实验经济学与基于Agent的计算金融学方法)三个角度分别对相关的主要研究成果及未来的发展方向进行了评述.同时指出了研究基于连续双向拍卖交易机制的金融市场微观结构对我国证券市场发展的理论和现实意义.     

基于ARIMA模型对上证指数的实证分析

运用时间序列分析方法,通过收集上证指数的历史数据,对数据进行平稳性检验,白噪声检验,建立ARIMA(p,d,q)模型,估计出模型的参数,并对上证指数的走势作了预测和拟合,预测结果比较理想,预测值接近真实值.对上证指数的短期预测有较好效果.     

金融股权知识大图的知识关联发现与风险分析

金融机构的复杂股权网络是系统性金融风险的微观成因和传导渠道.因此,发现和分析股权网络中的关键风险特征结构对金融监管有着重要意义.本文从知识关联理论出发,基于大规模股权网络构建金融股权知识大图,在此基础上提出了多层股权穿透(MEP)算法,揭示以金融机构为中心的穿透式多层股权网络;提出了关键股权路径发现(CEP)算法,发现金融机构之间的关键股权路径.本文结合案例对以上基于知识关联的股权风险结构进行了实证分析,并对MEP和CEP算法进行了性能分析与对比.基于真实数据的实证分析和性能分析表明,与传统的股权结构分析方法相比,本文所提出大数据算法能够更加高效和准确地发现和分析关键股权风险结构,支撑系统金融性风险的穿透式监管.     

互联网金融与中国行业间极端金融风险传播

作为新兴金融业态，互联网金融在发挥普惠金融等积极作用的同时，也存在着加剧金融风险传播的可能，但目前尚未有文献对互联网金融对金融风险传播的影响进行严格分析.本文从行业间极端金融风险传播的视角出发，首次对此问题进行了系统研究.本文首先构建理论模型刻画了互联网金融影响行业间极端风险传播的机制，接着利用我国31个省份、18个行业的股票收益数据，以及北京大学数字金融研究中心构建的互联网金融发展指数，进行了实证检验.研究结果表明，互联网金融发展加剧了实体经济行业间极端金融风险的传播，也使得金融与实体经济行业间的极端金融风险溢出程度增加.因此，在发挥互联网金融积极作用的同时，也要重视防范行业间的极端风险传播，以维护金融系统的安全与稳定.     

差别化区域金融调控的一个分区方法——基于系统聚类分析方法的应用

本文在梳理前期国内外研究文献的基础上,在论文研究中通过实证分析区域经济发展和金融发展依存关系的基础上,考察我国省际经济发展中的金融贡献差异、金融对区域经济增长的推动作用差异和区域资本形成中金融要素的贡献差异、区域经济对金融政策的敏感度差异等指标,综合运用平行数据模型(PANEL—DATA)进行分析,以此作为聚类要素采用系统聚类分析方法拟合确定31个样本省区的金融调控区域类别动态划分。     

基于微博情绪信息的股票市场预测

行为金融理论的研究表明,股票投资者在进行投资决策时,容易受到自身的因素如情绪与心理因素的影响.以行为金融理论为依据,作出基本假设:微博情绪信息反映的社会整体情绪倾向能够影响并预测股票市场整体价格走势的变化.实证过程包括抓取新浪微博数据并进行预处理,生成情绪倾向时间序列,通过格兰杰因果关系检验上证指数时间序列与情绪倾向时间序列间的相关关系,建立支持向量机模型预测股票市场价格的变化采验证假设的正确性.实验结果显示加入微博情绪信息的预测模型能够获得更高的准确率,进而证明了本文所作假设的正确性.     

基于优势分析原理的房地产金融深化研究

从1998年以来,在房地产经济持续、快速发展的背景下,我国房地产金融深化程度不断加深,房地产金融规模迅速扩大,结构不断变化.本文通过灰色系统优势分析原理对我国历年房地产金融深化优势进行了比较研究,结果表明我国房地产金融深化存在明显的量性扩张和金融深化优势下降趋势.说明我国房地产金融深化过程缺乏金融创新和主体塑造的质性成长,不利于房地产金融成长的长期性和持续性.本文的方法将为定量研究房地产金融提供一种新的思路,而且对于分析宏观金融和其它产业金融也是一种很好的借鉴.本文的研究结果对于房地产金融的宏观决策者具有一定的参考意义.     

基于时间序列分析股票上证指数走势

本文应用时间序列对上证指数历史数据进行研究分析,并建立预测模型,以研究2014年上证指数的变化规律。利用统计分析软件分别对其开盘价格进行分析,应用时间序列分析方法建立模型对上证指数作预测分析,以得出接近真实值的预测值,并对模型进行检验,证明有效后,对未来数据进行短期预测。