当主成分存在条件相关时,正交广义自回归条件异方差模型(orthogonal generalized autoregressive conditional heteroskedasticity,O-GARCH)可能导致预测结果与实际情况不相符。基于独立分量分析的广义自回归条件异方差模型(GARCH model...当主成分存在条件相关时,正交广义自回归条件异方差模型(orthogonal generalized autoregressive conditional heteroskedasticity,O-GARCH)可能导致预测结果与实际情况不相符。基于独立分量分析的广义自回归条件异方差模型(GARCH model based on independent component analysis,ICA-GARCH)能有效解决此问题,但ICA-GARCH模型中的梯度下降算法易陷入局部最优,收敛精度也有待提高。为克服此缺点,本文提出了一种基于粒子群优化算法的ICA-GARCH模型(ICA-GARCH model based on particle swarm optimization,PSO-ICA-GARCH),并将其用于证券市场收益波动率建模,以最终提高收益率预测效果。通过对阿里巴巴概念股收益波动率的实证分析,结果显示PSO-ICA-GARCH模型相较于O-GARCH和ICA-GARCH模型,具有更高的分离精度和更准确的模型预测效果。展开更多
文摘当主成分存在条件相关时,正交广义自回归条件异方差模型(orthogonal generalized autoregressive conditional heteroskedasticity,O-GARCH)可能导致预测结果与实际情况不相符。基于独立分量分析的广义自回归条件异方差模型(GARCH model based on independent component analysis,ICA-GARCH)能有效解决此问题,但ICA-GARCH模型中的梯度下降算法易陷入局部最优,收敛精度也有待提高。为克服此缺点,本文提出了一种基于粒子群优化算法的ICA-GARCH模型(ICA-GARCH model based on particle swarm optimization,PSO-ICA-GARCH),并将其用于证券市场收益波动率建模,以最终提高收益率预测效果。通过对阿里巴巴概念股收益波动率的实证分析,结果显示PSO-ICA-GARCH模型相较于O-GARCH和ICA-GARCH模型,具有更高的分离精度和更准确的模型预测效果。
