硕士学位论文开题报告-我国玉米期货价格的波动率分析及应用(编辑修改稿)

硕士学位论文开题报告-我国玉米期货价格的波动率分析及应用(编辑修改稿)内容摘要：

进行了分析。 Wei[49]（ 20xx）认为以往研究文献中用日收益率的平方作为期货波动率的代理变量存在着噪音影响，在此基础上， Wei 建立了 GARCH 族、随机波动率和已实现波动率三种波动率预测模型， 同时还在 GARCH 族模型中考虑了波动率的长记忆性、不对称性和杠杠效应等影响因素。 由于 Wei 采用已实现波动率作为期货实际波动率的代理变量，因此已实现波动率模型的预测效果要远高于其他两种模型。 Byun 和Cho[50]（ 20xx）也同样采用了 GARCH 族和已实现波动率模型和另一种新的 k 最近邻算法模型， 结果表明 GARCH 族模型的预测效果高于已实现波动率模型和 k 最近邻算法模型。 魏宇 [51]（ 20xx）以沪深 300 股指期货 5 分钟高频数据为例，比较了基于日收益数据的历史波动率模型和基于高频数据的已实现波动率模型的预测效果。 实证表明已实现波动率模型以及加入附加解释变量的扩展随机波动模型是预测精度较高 的波动模型，而GARCH 族模型的预测能力最弱。 龙瑞等 [52]（ 20xx）对已实现波动率模型进行了改进，并比较了经典已实现波动率和改进后的已实现极差波动率和已实现双幂波动率模型对期货波动率的刻画和预测能力，结果表明已实现波动的改进方法较为明显的优越性。 吴晓雄 [53]（ 20xx）在已实现波动率模型、随机波动模型以及 GARCH 族模型采用了多种损失函数对比了三类波动率模型的预测效果。 实证表明，已实现波动率模型对基于高频数据的波动率拟合效果更好，而随机波动模型对基于日数据的波动率预测能力要强于GARCH 族模型。 黄雯等 [54]（ 20xx）在整合了 Realized GARCH 模型和 CopulaDCC 模华东交通大学硕士学位论文开题报告 8 型之后，构建了 Realized CopulaDCC 模型。 对农产品期货的波动率进行研究后证实tCopulaDCC 模型比其他时变 Copula 模型对农产品期货波动性的刻画和预测效果更好。 杨科和田凤平 [55]（ 20xx）通过构造不同估计窗口大小的 ARFIMAXFIGARCH 模型及其线性和非线性组合预测模型来预测农产品期货市场的已实现波动率，研究表明ARFIMAXFIGARCH 模型所得的单项预测值进行时变加权组合通常能够提供更准确的波动率预测值，并且基于 NKR 的非参数组合预测模型和基于 NRLS 和 SIC 的线性组合预测模型是在结构突变条件下预测农产品期货 市场波动率尤其有效的方法。 国内外期货价格预测模型的发展研究现状 证券价格预测模型的准确性是建立在市场是有效的假设基础之上的。 在有效市场的条件下，国内外关于期货价格的预测模型也是层出不穷。 这些价格预测模型总的说来主要分为三个阶段：古典线性回归阶段、时间序列分析阶段和智能预测阶段。 后一个阶段都是在前一个阶段预测模型的基础之上加以改进和提升，以试图更接近真实的证券和资本市场。 但这并不说明前一阶段的预测模型就不再适应。 1. 古典线性回归阶段 古典线性回归模型就是先提出问题，然后找到支持该问题的经济理论，并设定假设命题，最后参照该理论对回归模型进行假设检验。 在影响期货价格的因素中，现货价格、交易量、供需量是最主要的因素。 Kawaller[56]（ 1987）， Modest[57]（ 1983）， Silvapulle[58] （ 1999）， Herbst[59]（ 1987）， Brooks[60]（ 20xx）， Bekiros[61]（ 20xx）等都通过研究产品的现货价格和期货价格之间的关系，从而利用期货价格预测现货价格，或者利用现货价格预测期货价格，因此达到在交易中获利的效果。 Bessembinder[62]（ 1993）， Grammatikos[63]（ 1986）， Herbert[64]（ 1995）， Lee 和 Swaminathan[65]（ 20xx）研究了期货合约的交易量与期货价格的相关性，试图找出交易量与价格之间的关系，从而利用合约交易量来预测未来的期货价格。 龙永康 [66]（ 20xx）将玉米的 需求、消费以及玉米期货的成交量与持仓量等因素与玉米期货价格进行了线性回归分析，来确定玉米期货价格预测模型的参数。 程文晓 [67]（ 20xx）运用了主成分和多元线性回归的方法对我国大豆期货的价格进行分析后确定了线性预测模型的参数。 虽然古典线性回归具有简洁易懂，并有理论的经济学知识支撑，但是其模型预测的准确性却较低。 如 Abosedra 和 Baghestani[68]（ 20xx）国际原油期货的不同价格预测模型进行分析和比较后发现，线性 回归的预测模型的准确度还有待提升。 2. 时间序列分析阶段 计量经济学和时间序列理论的发展不仅为期货市场的有效性检验提供了新的方法，同时也为期货等各种证券的价格预测提供了新的思路。 但是由于时间序列早期提出时，缺乏足够的经济含义，因此早期在经济学领域应用的较少。 直到 Meese 和 Rogoff[69] （ 1983）采用了结构模型、候选结构模型和简单随机游走模型对 70 年代几种重要汇率进行分析和预测，并比较了三种模型预测结果的准确性，发现随机游走模型的预测结果华东交通大学硕士学位论文开题报告 9 比结构模型和稍复杂的候选结构模型的预测结果的准确性更高，模型效果更优。 自此，时间序列模型在经济预测领域的应用逐渐增多，重要性也开始显现。 特别是 1980 年克里斯托弗西姆斯（ Christopher Sims）提出了向量自回归模型（ VAR）， Engle 与 Granger开拓性的研究了自回归条件异方差模型与时间序列协整分析方法后时间序列的分析不断广化与深化。 国 内外相关的研究文献都很多。 在时间序列的价格预测模型中，运用的最多最广泛的是自回归求积移动平均（ ARIMA）模型。 如 Brandt 和 Bessler[70]（ 1983）运用了指数平滑模型、 ARIMA 模型和计量经济学模型对美国生猪的价格进行了分析和预测并比较了三种模型的准确性，结果证实 ARIMA 预测模 型的平均标准误差最小，并且发现，这三种方法组合后的预测效果是最好的。 陈林 ， 黄章树 [71]（ 20xx）采用 ARIMA模型对郑州棉花期货的价格进行了预测，在此基础上提出用枚举法来确认模型的 P 值和 q 值，以此确定最优的预测组合，进而对期货价格进行了更为精确的预测。 李战江 ，张昊 等 [72]（ 20xx）基于 ARIMA 模型对 20xx0416~20xx0113 间共 180 个交易日沪深 300股指期货的价格作了预测和研究，结果表明： ARIMA 模型对于股指期货的价格走势短期预测效果良好，模型能有效反应期货价格的波动性走势。 李亚杰 ， 王磊 [73]（ 20xx），魏蓉蓉 ， 叶圣伟 [74]（ 20xx）， 王习涛 [75]（ 20xx）等也都采用了 ARIMA 模型进行过期货价格预测。 时间序列模型在价格和收益率预测中的其他模型还包括 VAR 模型，协整模型和误差修正模型（ ECM）和 GARCH 模型。 王骏 和 张宗成 [76]（ 20xx）借助 VAR 模型、协整检验和 ECM 模型等方法，以黄豆和硬麦期货品种为例，研究了农产品期货价格与现货价格之间的动态关系，但对硬麦期货来说，现货市场在价格发现功能中起到主导作用。 刘轶芳等 [77]（ 20xx）在 EWMA 和 GARCH模型思想的基础上，提出基于 GARCH— EWMA的期货价格预测模型，为期货市场合约价格的预测提供新的预测方法，解决以往使用EWMA 模型时没有一个科学的确定衰减因子的方法。 梁静溪 和 邰银平 [78]（ 20xx）通过对大豆期货价格的衰减 因子的计算，预测大豆期货未来价格，并与实际价格比较，验证EGARCH— EWMA 模型对大豆期货价格预测的有效性，为大豆农户和流通企业进入衍生品市场规避价格风险提供依据和保障。 梅志娟 [79]（ 20xx），分别用 ARMA 模型和 ARCH模型族中的 GARCH 模型，对于铜期货价格进行预测并进行比较。 研究表 明 ARMA 模型和 GARCH 模型的预测铜期货价格都各有优点，应根据实际情况准确选择。 3. 智能预测阶段 传统的线性回归和时间序列模型对期货市场的价格能做出一定的预测。 但是在现实生活中，金融市场中证券产品的价格受到外界的突发信息或者内幕信息影响，容易出现不稳定、大幅度涨跌、极端等情况。 另一方面，传统的预测模型捕捉非线性规律能力较差，导致预测精度较低。 好在随着计算机的发展和智能算法的兴起为经济学领域的研究提供了更广阔的空间和思路。 在智能预测模型中，应用的较多的是发展已经较成熟的神经网络和支持向量机。 华东交通大学硕士学位论文开题报告 10 早期的如 Grudnitski 和 Osburn[80]（ 1993）利用神经网络对标普 500 指数期货和黄金期货的价格进行了分析和预测。 Kohzadi N, Boyd M S, Kermanshahi[81]等（ 1996）同时采用了 ARIMA 和神经网络模型对美国月生牛肉和小麦的价格进行预测并比较两种预测模型的准确性。 实证表明神经网络的预测准确性比 ARIMA 要高很多。 李旻晶 [82]（ 20xx）杨超 ， 刘喜华 [83]（ 20xx）等也运用小波神经网络或 BP 神经网络对期货的价格进行预测和分析。 然而神经网络模型存在着自身不足之处，如收敛速度较慢、对初始权阈值敏感、容易陷入局部极小值等，因此不少学者通过对神经网络进行了优化，以此提高模型的预测效率。 康璐等 [84]（ 20xx）利用 BP 神经网络对大豆期货合约的期货价格建立预测模型，并用遗传算法进行修正。 结果表明，改进后的 GABP 神经网络模型拟合精度明显高于 BP 神经网络模型，并对期货价格走势有良好的预测效果。 王海军等 [85]（ 20xx）运用粒子群算法进行初始初始寻优，再用 BP 神经网络进一步精确网络权阈值，然后建立基于粒子群的 BP 神经网络预测模型对期货价格建立预测模型，提高了神经网络模型预测的速度和准确性。 王海军等 [86]（ 20xx）还利用主成分分析和自适应遗传算法对期货价格的BP 神经网络进行二次优化，仿真实验表明，优化后的预测模型在预测的精度和速度方面都优于单纯的 BP 神经网络模型。 支持向量机（ SVM）是近些年发展起来的一种智能算法，在价格预测模型中也比较常见。 如祝金荣 [87]（ 20xx）建立了基于支持向量机技术的石油期货价格预测方法，结果表明支持向量机方法比 RBF 神经网络和 ARIMA 模型预测精度更高。 张凯，沙锋 [88]（ 20xx）对比线性组合模型、 RBF 神经网络的非线性组合模型和支持向量机非线性组合模型的预测效果，表明基于支持向量机 的非线性组合预测方法的石油期货价格预测精度大幅提高，预测性能明显优于对比模型。 但是 SVM 算法对大规模训练样本难以实施并且由于 SVM是借助二次规划来求解支持向量，而求解二次规划将涉及 m 阶矩阵的计算（ m 为样本的个数），当 m 数目很大时该矩阵的存储和计算将耗费大量的机器内存和运算时间。 针对这一缺点，不少学者也提出了改进的措施和方法。 顾红其 [89]（ 20xx）提出了一种基于主成份分析的支持向量机期货价格预测方法 (PCASVM)，对小麦期货价格进行预测分析，证明 PCASVM 是一种有效、高精度的期货价格预测方法。 杨建辉，戴晓真 [90]（ 20xx）提出了基于鱼群优化的支持向量机期货价格预测模型， 并以伦敦有色金属期货为例进行了预测分析。 结果显示，与单纯的支持向量机预测模型相比，改进后的模型具有更高的预测精度，特别是对金属期货价格的短期预测效果良好。 李娇志 [91]（ 20xx）建立了基于粒子群优化（ PSO）的支持向量机预测模型并对螺纹钢期货进行了仿真实验，结果显示基于粒子群算法的支持向量机模 型具有学习精度高、泛化能力较强的性质 ,可用于期货价格的短期预测。 华东交通大学硕士学位论文开题报告 11 三、本课题研究的主要内容和重点 课题研究的主要框架 研究现状 期货市场有效性检验 期货价格的预测 期货波动性研究 我国玉米期货市场有效性检验 市场有效性检验理论基础 市场有效性检验方法概述 市场有效性实证检验 我国玉米期货价格预测 玉米期货价格影响因素分析 期货价格预测建模 期货价格预测实证检验及对比 玉米期货价格波动率分析 期货波动率原理 玉米期货波动率特征分析 期货波动率预测模型分析 研究结果及建议 绪论 研究来源和背景 研究意义和目的 华东交通大学硕士学位论文开题报告 12 课题研究的主要内容 第一章 绪论 研究来源和背景 研究意义和目的 第二章 研究现状 国内外期货市场有效性研究现状 国内外期货价格预测模型的发展研究现状 国内外关于期货价格波动率的研究现状 第三章 我国玉米期货市场有效性检验 期货市场有效性检验的理论基础 目前证券市场和期货市场的有效性检验大多集中在弱式有效市场的检验。 Fama[2]（ 1970）基于三种类型的信息：“历史信息”、“公开信息”和“内部信息”将有效市场划分为三种形式：弱式有效市场、半强式有效市场和强式有效市场。 弱式有效市场表明市场价格已充分反映出所有过去历史的证券价格信息，如证券的历史价格、交易量等，这也意味着若弱式有效。