基于深度学习的VaR测算研究
| 摘要 | 第4-6页 |
| Abstract | 第6-9页 |
| 1 绪论 | 第12-19页 |
| 1.1 研究背景 | 第12-13页 |
| 1.2 研究目的和意义 | 第13-14页 |
| 1.3 国内外研究现状 | 第14-17页 |
| 1.3.1 国外研究现状 | 第14-15页 |
| 1.3.2 国内研究现状 | 第15-17页 |
| 1.4 文章结构安排 | 第17页 |
| 1.5 本文可能的创新点 | 第17-19页 |
| 2 相关理论简介 | 第19-34页 |
| 2.1 VaR的概述 | 第19-26页 |
| 2.1.1 VaR的定义 | 第19页 |
| 2.1.2 VaR的计算原理 | 第19-20页 |
| 2.1.3 VaR的计算方法 | 第20-23页 |
| 2.1.4 VaR方法的评价 | 第23-25页 |
| 2.1.5 本文改进后的VaR方法 | 第25-26页 |
| 2.2 ARCH族模型 | 第26-28页 |
| 2.3 深度学习的基本思想 | 第28-34页 |
| 2.3.1 人工神经网络 | 第28-30页 |
| 2.3.2 深度学习的起源 | 第30-32页 |
| 2.3.3 卷积神经网络 | 第32-34页 |
| 3 VaR的深度学习计算及预测精度比较 | 第34-41页 |
| 3.1 模拟股票收益率数据 | 第34-36页 |
| 3.2 深度学习模型的建立 | 第36页 |
| 3.3 预测精度的比较 | 第36-38页 |
| 3.4 参数改变后的VaR精度的比较 | 第38-40页 |
| 3.5 结果分析 | 第40-41页 |
| 4 VaR计算的实证分析 | 第41-53页 |
| 4.1 数据选取 | 第41页 |
| 4.2 数据预处理 | 第41-46页 |
| 4.2.1 正态性检验 | 第43-44页 |
| 4.2.2 平稳性检验 | 第44-45页 |
| 4.2.3 自相关检验 | 第45页 |
| 4.2.4 残差序列的ARCH检验 | 第45-46页 |
| 4.3 ARCH族模型的建立 | 第46-48页 |
| 4.4 深度学习模型的建立 | 第48页 |
| 4.5 预测精度分析 | 第48-52页 |
| 4.5.1 以ARCH(1)模型作为参照模型 | 第49-50页 |
| 4.5.2 以ARCH(2)模型作为参照模型 | 第50-52页 |
| 4.6 结果分析 | 第52-53页 |
| 5 研究结论与展望 | 第53-55页 |
| 5.1 研究结论 | 第53-54页 |
| 5.2 研究的不足与展望 | 第54-55页 |
| 参考文献 | 第55-59页 |
| 后记 | 第59-60页 |
