基于人工神经网络和支持向量回归的分位点数据模型计算风险值的研究

论文摘要

在国际金融市场呈现高度波动性的今天,金融风险管理已经成为金融机构必不可少的重要手段。本文对当前已经有的风险值计算和评估方法进行了分析和讨论,分析了不同模型的优缺点。提出了一种基于人工神经网络和支持向量回归模型的风险值计算的方法:分位点数据映射方法（Q→R）。根据这种方法提出了两种计算模型:基于人工神经网络的分位点数据映射模型（简称QDMN）和基于支持向量回归的分位点数据模型（简称SVR-QD）。使用两种新的模型对上证综指进行了模拟预测,并将结果与含有假设分布的蒙特卡罗方法预测结果作了对比,通过贝赛尔信号灯等多种方法验证,证实基于分位点数据方法的两种新模型计算风险值的精度均高于含有假设分布的蒙特卡罗方法,并且新方法低估风险值的概率小于蒙特卡罗方法。

论文目录

• 提要
• 第一章 绪论
• 1.1 VaR产生背景
• 1.2 VaR国内外研究情况
• 1.3 本文的主要内容
• 第二章 VaR理论体系
• 2.1 风险值VaR的产生和发展
• 2.1.1 风险管理工具的发展
• 2.1.2 风险值VaR概念的产生
• 2.2 风险值VaR 的定义
• 2.3 风险值VaR 的计算方法
• 2.3.1 历史模拟法
• 2.3.2 参数法
• 2.3.3 蒙特卡罗模拟法（Monte Carlo simulation）
• 2.3.4 上述方法的比较
• 第三章 人工神经网络
• 3.1 人工神经网络简介
• 3.2 生物神经元模型
• 3.3 人工神经元
• 3.4 神经元状态转移函数
• 3.5 神经网络的互连模式
• 3.6 神经网络的工作方式
• 3.7 神经网络的具体训练（学习）算法
• 第四章 支持向量机
• 4.1 支持向量机简介（SVM）
• 4.2 SVM基本原理
• 4.2.1 线性可分情况
• 4.2.2 线性不可分的情况
• 4.2.3 核函数
• 4.3 支持向量回归
• 第五章 QDMN与SVR－QD方法
• 5.1 QDMN基本结构与原理
• 5.2 QDMN方法的计算步骤
• 5.2.1 QDMN计算步骤
• 5.2.2 QDMN计算流程图
• 5.3 SVR－QD基本结构与原理
• 5.4 Q→R方法
• 5.4.1 Q→R基本理论
• 5.4.2 Q→R计算方法
• 5.5 本文对两种模型的评价
• 第六章 模拟试验
• 6.1 数据采集
• 6.2 QDMN和SVR-QD对风险值进行估算
• 6.2.1 QDMN模型模拟计算VaR
• 6.2.2 SVR-QD模型模拟计算VaR
• 6.3 蒙特卡罗方法计算风险值
• 6.4 结果对比
• 6.5 实验总结
• 第七章 结论与展望
• 参考文献
• 摘要
• Abstract
• 致谢
• 导师及作者简介