中国大豆期货波动率预测模型优化研究:GARCH与MCS检验的应用
66 浏览量
更新于2024-09-07
1
收藏 286KB PDF 举报
本文深入探讨了大豆期货的波动率预测模型,由郑周霞和郭海华两位学者合作完成,发表在中国科技论文在线上。背景是由于我国对大豆进口的依赖日益增强,大豆价格的波动对整个产业链具有重大影响。大豆期货市场作为实物交易的定价基础,对风险管理至关重要。
研究中,作者选择了GARCH族模型作为核心分析工具,这是一种广泛应用于金融时间序列预测的统计模型,特别适合捕捉和预测金融资产的波动性。此外,作者还考虑了常用的已实现波动率模型,这种模型直接基于历史数据计算实际的波动情况,以便更准确地反映市场动态。
为了提升模型的预测能力,研究者进一步发展了这些基本模型,并采用滚动时间窗口的样本外一步预测方法。这种方法允许模型在不断更新的数据集上进行实时预测,提高了预测的时效性和准确性。
选择多种损失函数进行模型评估,损失函数是衡量模型预测误差的指标,通过比较不同模型的损失函数值,可以确定哪个模型在预测大豆期货波动率方面的表现更为优秀。最后,论文引入了MCS检验法(蒙特卡洛模拟和显著性检验)来验证和比较模型的预测性能,这是当前常用的一种统计方法,用于量化模型的稳健性和有效性。
这篇首发论文旨在为中国大豆期货市场提供一种更有效、更精准的波动率预测模型,这不仅有助于大豆产业参与者更好地管理风险,也能为政策制定者提供有价值的信息支持。通过这项研究,我们可以看到金融计量分析在大豆期货市场波动性研究中的应用前景,以及如何结合现代统计方法提高市场预测的科学性。
2020-02-01 上传
2022-10-23 上传
2022-12-06 上传
2021-05-08 上传
2021-12-05 上传
2021-09-26 上传
2021-05-29 上传
2023-05-26 上传
weixin_38598213
- 粉丝: 2
- 资源: 853
最新资源
- MATLAB实现小波阈值去噪:Visushrink硬软算法对比
- 易语言实现画板图像缩放功能教程
- 大模型推荐系统: 优化算法与模型压缩技术
- Stancy: 静态文件驱动的简单RESTful API与前端框架集成
- 掌握Java全文搜索:深入Apache Lucene开源系统
- 19计应19田超的Python7-1试题整理
- 易语言实现多线程网络时间同步源码解析
- 人工智能大模型学习与实践指南
- 掌握Markdown:从基础到高级技巧解析
- JS-PizzaStore: JS应用程序模拟披萨递送服务
- CAMV开源XML编辑器:编辑、验证、设计及架构工具集
- 医学免疫学情景化自动生成考题系统
- 易语言实现多语言界面编程教程
- MATLAB实现16种回归算法在数据挖掘中的应用
- ***内容构建指南:深入HTML与LaTeX
- Python实现维基百科“历史上的今天”数据抓取教程