基于EEMD的股票市場(chǎng)影響因素和風(fēng)險(xiǎn)度量研究.pdf

1、自上世紀(jì)90年代建立以來(lái)，我國(guó)股票市場(chǎng)取得了巨大成就，已經(jīng)成為我國(guó)市場(chǎng)經(jīng)濟(jì)的重要組成部分，股票市場(chǎng)的健康發(fā)展也是我國(guó)經(jīng)濟(jì)繁榮穩(wěn)定的重要基石。然而，由于高風(fēng)險(xiǎn)高收益的特征，再加上機(jī)制不成熟，我國(guó)股市經(jīng)常會(huì)出現(xiàn)異常波動(dòng)的現(xiàn)象。大量實(shí)證研究表明，股價(jià)波動(dòng)與宏觀經(jīng)濟(jì)之間存在密切關(guān)系，對(duì)股市與宏觀經(jīng)濟(jì)的關(guān)系進(jìn)行研究有助于認(rèn)清股市波動(dòng)的成因。隨著我國(guó)資本市場(chǎng)的逐步開(kāi)放，金融領(lǐng)域尤其是股票市場(chǎng)面臨的市場(chǎng)風(fēng)險(xiǎn)愈加復(fù)雜，提高風(fēng)險(xiǎn)防范、控制和監(jiān)管顯得愈加重

2、要，對(duì)股票市場(chǎng)風(fēng)險(xiǎn)度量進(jìn)行深入研究有助于防范股票市場(chǎng)風(fēng)險(xiǎn)，保障我國(guó)股票市場(chǎng)穩(wěn)定。
　　美國(guó)工程院華裔院士黃鍔教授在1998年提出了一種新的時(shí)頻分解方法:經(jīng)驗(yàn)?zāi)B(tài)分解(EMD，Empirical Mode Decomposition)。這種方法無(wú)需預(yù)設(shè)基函數(shù)，而是依據(jù)信號(hào)本身的時(shí)間尺度特征來(lái)進(jìn)行分解。與傅里葉分解和小波分解等方法相比，EMD分解擁有更強(qiáng)的局部表現(xiàn)能力，能更準(zhǔn)確地刻畫信號(hào)原始的物理特性，非常適合處理非線性、非平穩(wěn)時(shí)間序

3、列。集合經(jīng)驗(yàn)?zāi)B(tài)分解(EEMD，Ensemble Empirical Mode Decomposition)改進(jìn)了EMD算法，通過(guò)加入白噪聲的方式，解決了EMD分解中模態(tài)混合的問(wèn)題，能更加精確地對(duì)時(shí)間序列進(jìn)行分解。
　　本文提出了基于EEMD分解的股票市場(chǎng)波動(dòng)的宏觀經(jīng)濟(jì)影響因素研究方法。首先運(yùn)用EEMD分解方法對(duì)上證綜指和深證成指收盤價(jià)序列進(jìn)行分解，得到周期不同的分量，這種分量叫作本征模態(tài)函數(shù)(IMF，Intrinsic Mode

4、 Function)。再運(yùn)用一種IMFs優(yōu)化重組算法挑選合適的IMFs并重組成一個(gè)新序列，然后將新序列與通貨膨脹、工業(yè)增加值、貨幣供應(yīng)量、利率、匯率等5個(gè)宏觀經(jīng)濟(jì)變量一起建立向量自回歸模型(VAR，Vector Auto-Regression)，應(yīng)用協(xié)整分析和方差分解等方法對(duì)他們之間的關(guān)系進(jìn)行研究。
　　隨著股票市場(chǎng)不斷發(fā)展和股市風(fēng)險(xiǎn)的愈加復(fù)雜，對(duì)股票市場(chǎng)金融風(fēng)險(xiǎn)度量水平的要求也越來(lái)越高。在險(xiǎn)價(jià)值(VaR，Value At Ris

5、k)模型是國(guó)際風(fēng)險(xiǎn)管理領(lǐng)域最主流的模型之一，創(chuàng)新VaR度量模型和計(jì)量方法，對(duì)于優(yōu)化股票市場(chǎng)風(fēng)險(xiǎn)管理具有實(shí)際意義。本文提出了一種基于EEMD分解的神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸模型來(lái)度量VaR。神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸(QRNN，Quantile Regression Neural Network)放松了對(duì)金融數(shù)據(jù)分布的強(qiáng)假設(shè)約束，也不依賴對(duì)波動(dòng)率的測(cè)度來(lái)計(jì)算VaR，能更好地刻畫我國(guó)股票市場(chǎng)金融數(shù)據(jù)尖峰厚尾的特性。
　　本文實(shí)證研究表明，中國(guó)的宏觀經(jīng)