【文章內(nèi)容簡介】 進(jìn)行了分析。 Wei[49]（ 20xx）認(rèn)為以往研究文獻(xiàn)中用日收益率的平方作為期貨波動率的代理變量存在著噪音影響，在此基礎(chǔ)上， Wei 建立了 GARCH 族、隨機(jī)波動率和已實現(xiàn)波動率三種波動率預(yù)測模型， 同時還在 GARCH 族模型中考慮了波動率的長記憶性、不對稱性和杠杠效應(yīng)等影響因素。由于 Wei 采用已實現(xiàn)波動率作為期貨實際波動率的代理變量，因此已實現(xiàn)波動率模型的預(yù)測效果要遠(yuǎn)高于其他兩種模型。 Byun 和Cho[50]（ 20xx）也同樣采用了 GARCH 族和已實現(xiàn)波動率模型和另一種新的 k 最近鄰算法模型， 結(jié)果表明 GARCH 族模型的預(yù)測效果高于已實現(xiàn)波動率模型和 k 最近鄰算法模型。魏宇 [51]（ 20xx）以滬深 300 股指期貨 5 分鐘高頻數(shù)據(jù)為例，比較了基于日收益數(shù)據(jù)的歷史波動率模型和基于高頻數(shù)據(jù)的已實現(xiàn)波動率模型的預(yù)測效果。實證表明已實現(xiàn)波動率模型以及加入附加解釋變量的擴(kuò)展隨機(jī)波動模型是預(yù)測精度較高 的波動模型，而GARCH 族模型的預(yù)測能力最弱。龍瑞等 [52]（ 20xx）對已實現(xiàn)波動率模型進(jìn)行了改進(jìn)，并比較了經(jīng)典已實現(xiàn)波動率和改進(jìn)后的已實現(xiàn)極差波動率和已實現(xiàn)雙冪波動率模型對期貨波動率的刻畫和預(yù)測能力，結(jié)果表明已實現(xiàn)波動的改進(jìn)方法較為明顯的優(yōu)越性。吳曉雄 [53]（ 20xx）在已實現(xiàn)波動率模型、隨機(jī)波動模型以及 GARCH 族模型采用了多種損失函數(shù)對比了三類波動率模型的預(yù)測效果。實證表明，已實現(xiàn)波動率模型對基于高頻數(shù)據(jù)的波動率擬合效果更好，而隨機(jī)波動模型對基于日數(shù)據(jù)的波動率預(yù)測能力要強(qiáng)于GARCH 族模型。黃雯等 [54]（ 20xx）在整合了 Realized GARCH 模型和 CopulaDCC 模華東交通大學(xué)碩士學(xué)位論文開題報告 8 型之后，構(gòu)建了 Realized CopulaDCC 模型。對農(nóng)產(chǎn)品期貨的波動率進(jìn)行研究后證實tCopulaDCC 模型比其他時變 Copula 模型對農(nóng)產(chǎn)品期貨波動性的刻畫和預(yù)測效果更好。楊科和田鳳平 [55]（ 20xx）通過構(gòu)造不同估計窗口大小的 ARFIMAXFIGARCH 模型及其線性和非線性組合預(yù)測模型來預(yù)測農(nóng)產(chǎn)品期貨市場的已實現(xiàn)波動率，研究表明ARFIMAXFIGARCH 模型所得的單項預(yù)測值進(jìn)行時變加權(quán)組合通常能夠提供更準(zhǔn)確的波動率預(yù)測值，并且基于 NKR 的非參數(shù)組合預(yù)測模型和基于 NRLS 和 SIC 的線性組合預(yù)測模型是在結(jié)構(gòu)突變條件下預(yù)測農(nóng)產(chǎn)品期貨 市場波動率尤其有效的方法。 國內(nèi)外期貨價格預(yù)測模型的發(fā)展研究現(xiàn)狀 證券價格預(yù)測模型的準(zhǔn)確性是建立在市場是有效的假設(shè)基礎(chǔ)之上的。在有效市場的條件下，國內(nèi)外關(guān)于期貨價格的預(yù)測模型也是層出不窮。這些價格預(yù)測模型總的說來主要分為三個階段：古典線性回歸階段、時間序列分析階段和智能預(yù)測階段。后一個階段都是在前一個階段預(yù)測模型的基礎(chǔ)之上加以改進(jìn)和提升，以試圖更接近真實的證券和資本市場。但這并不說明前一階段的預(yù)測模型就不再適應(yīng)。 1. 古典線性回歸階段 古典線性回歸模型就是先提出問題，然后找到支持該問題的經(jīng)濟(jì)理論，并設(shè)定假設(shè)命題，最后參照該理論對回歸模型進(jìn)行假設(shè)檢驗。在影響期貨價格的因素中，現(xiàn)貨價格、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）等都通過研究產(chǎn)品的現(xiàn)貨價格和期貨價格之間的關(guān)系，從而利用期貨價格預(yù)測現(xiàn)貨價格，或者利用現(xiàn)貨價格預(yù)測期貨價格，因此達(dá)到在交易中獲利的效果。 Bessembinder[62]（ 1993）， Grammatikos[63]（ 1986）， Herbert[64]（ 1995）， Lee 和 Swaminathan[65]（ 20xx）研究了期貨合約的交易量與期貨價格的相關(guān)性，試圖找出交易量與價格之間的關(guān)系，從而利用合約交易量來預(yù)測未來的期貨價格。龍永康 [66]（ 20xx）將玉米的 需求、消費(fèi)以及玉米期貨的成交量與持倉量等因素與玉米期貨價格進(jìn)行了線性回歸分析，來確定玉米期貨價格預(yù)測模型的參數(shù)。程文曉 [67]（ 20xx）運(yùn)用了主成分和多元線性回歸的方法對我國大豆期貨的價格進(jìn)行分析后確定了線性預(yù)測模型的參數(shù)。雖然古典線性回歸具有簡潔易懂，并有理論的經(jīng)濟(jì)學(xué)知識支撐，但是其模型預(yù)測的準(zhǔn)確性卻較低。如 Abosedra 和 Baghestani[68]（ 20xx）國際原油期貨的不同價格預(yù)測模型進(jìn)行分析和比較后發(fā)現(xiàn)，線性 回歸的預(yù)測模型的準(zhǔn)確度還有待提升。 2. 時間序列分析階段 計量經(jīng)濟(jì)學(xué)和時間序列理論的發(fā)展不僅為期貨市場的有效性檢驗提供了新的方法，同時也為期貨等各種證券的價格預(yù)測提供了新的思路。但是由于時間序列早期提出時，缺乏足夠的經(jīng)濟(jì)含義，因此早期在經(jīng)濟(jì)學(xué)領(lǐng)域應(yīng)用的較少。直到 Meese 和 Rogoff[69] （ 1983）采用了結(jié)構(gòu)模型、候選結(jié)構(gòu)模型和簡單隨機(jī)游走模型對 70 年代幾種重要匯率進(jìn)行分析和預(yù)測，并比較了三種模型預(yù)測結(jié)果的準(zhǔn)確性，發(fā)現(xiàn)隨機(jī)游走模型的預(yù)測結(jié)果華東交通大學(xué)碩士學(xué)位論文開題報告 9 比結(jié)構(gòu)模型和稍復(fù)雜的候選結(jié)構(gòu)模型的預(yù)測結(jié)果的準(zhǔn)確性更高，模型效果更優(yōu)。自此，時間序列模型在經(jīng)濟(jì)預(yù)測領(lǐng)域的應(yīng)用逐漸增多，重要性也開始顯現(xiàn)。特別是 1980 年克里斯托弗西姆斯（ Christopher Sims）提出了向量自回歸模型（ VAR）， Engle 與 Granger開拓性的研究了自回歸條件異方差模型與時間序列協(xié)整分析方法后時間序列的分析不斷廣化與深化。國 內(nèi)外相關(guān)的研究文獻(xiàn)都很多。在時間序列的價格預(yù)測模型中，運(yùn)用的最多最廣泛的是自回歸求積移動平均（ ARIMA）模型。如 Brandt 和 Bessler[70]（ 1983）運(yùn)用了指數(shù)平滑模型、 ARIMA 模型和計量經(jīng)濟(jì)學(xué)模型對美國生豬的價格進(jìn)行了分析和預(yù)測并比較了三種模型的準(zhǔn)確性，結(jié)果證實 ARIMA 預(yù)測模 型的平均標(biāo)準(zhǔn)誤差最小，并且發(fā)現(xiàn)，這三種方法組合后的預(yù)測效果是最好的。 陳林 ， 黃章樹 [71]（ 20xx）采用 ARIMA模型對鄭州棉花期貨的價格進(jìn)行了預(yù)測，在此基礎(chǔ)上提出用枚舉法來確認(rèn)模型的 P 值和 q 值，以此確定最優(yōu)的預(yù)測組合，進(jìn)而對期貨價格進(jìn)行了更為精確的預(yù)測。 李戰(zhàn)江 ，張昊 等 [72]（ 20xx）基于 ARIMA 模型對 20xx0416~20xx0113 間共 180 個交易日滬深 300股指期貨的價格作了預(yù)測和研究，結(jié)果表明： ARIMA 模型對于股指期貨的價格走勢短期預(yù)測效果良好，模型能有效反應(yīng)期貨價格的波動性走勢。 李亞杰 ， 王磊 [73]（ 20xx），魏蓉蓉 ， 葉圣偉 [74]（ 20xx）， 王習(xí)濤 [75]（ 20xx）等也都采用了 ARIMA 模型進(jìn)行過期貨價格預(yù)測。 時間序列模型在價格和收益率預(yù)測中的其他模型還包括 VAR 模型，協(xié)整模型和誤差修正模型（ ECM）和 GARCH 模型。 王駿 和 張宗成 [76]（ 20xx）借助 VAR 模型、協(xié)整檢驗和 ECM 模型等方法，以黃豆和硬麥期貨品種為例，研究了農(nóng)產(chǎn)品期貨價格與現(xiàn)貨價格之間的動態(tài)關(guān)系，但對硬麥期貨來說，現(xiàn)貨市場在價格發(fā)現(xiàn)功能中起到主導(dǎo)作用。劉軼芳等 [77]（ 20xx）在 EWMA 和 GARCH模型思想的基礎(chǔ)上，提出基于 GARCH— EWMA的期貨價格預(yù)測模型，為期貨市場合約價格的預(yù)測提供新的預(yù)測方法，解決以往使用EWMA 模型時沒有一個科學(xué)的確定衰減因子的方法。 梁靜溪 和 邰銀平 [78]（ 20xx）通過對大豆期貨價格的衰減 因子的計算，預(yù)測大豆期貨未來價格，并與實際價格比較，驗證EGARCH— EWMA 模型對大豆期貨價格預(yù)測的有效性，為大豆農(nóng)戶和流通企業(yè)進(jìn)入衍生品市場規(guī)避價格風(fēng)險提供依據(jù)和保障。梅志娟 [79]（ 20xx），分別用 ARMA 模型和 ARCH模型族中的 GARCH 模型，對于銅期貨價格進(jìn)行預(yù)測并進(jìn)行比較。研究表 明 ARMA 模型和 GARCH 模型的預(yù)測銅期貨價格都各有優(yōu)點(diǎn)，應(yīng)根據(jù)實際情況準(zhǔn)確選擇。 3. 智能預(yù)測階段 傳統(tǒng)的線性回歸和時間序列模型對期貨市場的價格能做出一定的預(yù)測。但是在現(xiàn)實生活中，金融市場中證券產(chǎn)品的價格受到外界的突發(fā)信息或者內(nèi)幕信息影響，容易出現(xiàn)不穩(wěn)定、大幅度漲跌、極端等情況。另一方面，傳統(tǒng)的預(yù)測模型捕捉非線性規(guī)律能力較差，導(dǎo)致預(yù)測精度較低。好在隨著計算機(jī)的發(fā)展和智能算法的興起為經(jīng)濟(jì)學(xué)領(lǐng)域的研究提供了更廣闊的空間和思路。在智能預(yù)測模型中，應(yīng)用的較多的是發(fā)展已經(jīng)較成熟的神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)。 華東交通大學(xué)碩士學(xué)位論文開題報告 10 早期的如 Grudnitski 和 Osburn[80]（ 1993）利用神經(jīng)網(wǎng)絡(luò)對標(biāo)普 500 指數(shù)期貨和黃金期貨的價格進(jìn)行了分析和預(yù)測。 Kohzadi N, Boyd M S, Kermanshahi[81]等（ 1996）同時采用了 ARIMA 和神經(jīng)網(wǎng)絡(luò)模型對美國月生牛肉和小麥的價格進(jìn)行預(yù)測并比較兩種預(yù)測模型的準(zhǔn)確性。實證表明神經(jīng)網(wǎng)絡(luò)的預(yù)測準(zhǔn)確性比 ARIMA 要高很多。李旻晶 [82]（ 20xx）楊超 ， 劉喜華 [83]（ 20xx）等也運(yùn)用小波神經(jīng)網(wǎng)絡(luò)或 BP 神經(jīng)網(wǎng)絡(luò)對期貨的價格進(jìn)行預(yù)測和分析。然而神經(jīng)網(wǎng)絡(luò)模型存在著自身不足之處，如收斂速度較慢、對初始權(quán)閾值敏感、容易陷入局部極小值等，因此不少學(xué)者通過對神經(jīng)網(wǎng)絡(luò)進(jìn)行了優(yōu)化，以此提高模型的預(yù)測效率?？佃吹?[84]（ 20xx）利用 BP 神經(jīng)網(wǎng)絡(luò)對大豆期貨合約的期貨價格建立預(yù)測模型，并用遺傳算法進(jìn)行修正。結(jié)果表明，改進(jìn)后的 GABP 神經(jīng)網(wǎng)絡(luò)模型擬合精度明顯高于 BP 神經(jīng)網(wǎng)絡(luò)模型，并對期貨價格走勢有良好的預(yù)測效果。王海軍等 [85]（ 20xx）運(yùn)用粒子群算法進(jìn)行初始初始尋優(yōu)，再用 BP 神經(jīng)網(wǎng)絡(luò)進(jìn)一步精確網(wǎng)絡(luò)權(quán)閾值，然后建立基于粒子群的 BP 神經(jīng)網(wǎng)絡(luò)預(yù)測模型對期貨價格建立預(yù)測模型，提高了神經(jīng)網(wǎng)絡(luò)模型預(yù)測的速度和準(zhǔn)確性。王海軍等 [86]（ 20xx）還利用主成分分析和自適應(yīng)遺傳算法對期貨價格的BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行二次優(yōu)化，仿真實驗表明，優(yōu)化后的預(yù)測模型在預(yù)測的精度和速度方面都優(yōu)于單純的 BP 神經(jīng)網(wǎng)絡(luò)模型。 支持向量機(jī)（ SVM）是近些年發(fā)展起來的一種智能算法，在價格預(yù)測模型中也比較常見。如祝金榮 [87]（ 20xx）建立了基于支持向量機(jī)技術(shù)的石油期貨價格預(yù)測方法，結(jié)果表明支持向量機(jī)方法比 RBF 神經(jīng)網(wǎng)絡(luò)和 ARIMA 模型預(yù)測精度更高。張凱，沙鋒 [88]（ 20xx）對比線性組合模型、 RBF 神經(jīng)網(wǎng)絡(luò)的非線性組合模型和支持向量機(jī)非線性組合模型的預(yù)測效果，表明基于支持向量機(jī) 的非線性組合預(yù)測方法的石油期貨價格預(yù)測精度大幅提高，預(yù)測性能明顯優(yōu)于對比模型。但是 SVM 算法對大規(guī)模訓(xùn)練樣本難以實施并且由于 SVM是借助二次規(guī)劃來求解支持向量，而求解二次規(guī)劃將涉及 m 階矩陣的計算（ m 為樣本的個數(shù)），當(dāng) m 數(shù)目很大時該矩陣的存儲和計算將耗費(fèi)大量的機(jī)器內(nèi)存和運(yùn)算時間。針對這一缺點(diǎn)，不少學(xué)者也提出了改進(jìn)的措施和方法。顧紅其 [89]（ 20xx）提出了一種基于主成份分析的支持向量機(jī)期貨價格預(yù)測方法 (PCASVM)，對小麥期貨價格進(jìn)行預(yù)測分析，證明 PCASVM 是一種有效、高精度的期貨價格預(yù)測方法。楊建輝，戴曉真 [90]（ 20xx）提出了基于魚群優(yōu)化的支持向量機(jī)期貨價格預(yù)測模型， 并以倫敦有色金屬期貨為例進(jìn)行了預(yù)測分析。結(jié)果顯示，與單純的支持向量機(jī)預(yù)測模型相比，改進(jìn)后的模型具有更高的預(yù)測精度，特別是對金屬期貨價格的短期預(yù)測效果良好。李嬌志 [91]（ 20xx）建立了基于粒子群優(yōu)化（ PSO）的支持向量機(jī)預(yù)測模型并對螺紋鋼期貨進(jìn)行了仿真實驗，結(jié)果顯示基于粒子群算法的支持向量機(jī)模 型具有學(xué)習(xí)精度高、泛化能力較強(qiáng)的性質(zhì) ,可用于期貨價格的短期預(yù)測。 華東交通大學(xué)碩士學(xué)位論文開題報告 11 三、本課題研究的主要內(nèi)容和重點(diǎn) 課題研究的主要框架 研究現(xiàn)狀 期貨市場有效性檢驗 期貨價格的預(yù)測 期貨波動性研究 我國玉米期貨市場有效性檢驗 市場有效性檢驗理論基礎(chǔ) 市場有效性檢驗方法概述 市場有效性實證檢驗 我國玉米期貨價格預(yù)測 玉米期貨價格影響因素分析 期貨價格預(yù)測建模 期貨價格預(yù)測實證檢驗及對比 玉米期貨價格波動率分析 期貨波動率原理 玉米期貨波動率特征分析 期貨波動率預(yù)測模型分析 研究結(jié)果及建議 緒論 研究來源和背景 研究意義和目的 華東交通大學(xué)碩士學(xué)位論文開題報告 12 課題研究的主要內(nèi)容 第一章 緒論 研究來源和背景 研究意義和目的 第二章 研究現(xiàn)狀 國內(nèi)外期貨市場有效性研究現(xiàn)狀 國內(nèi)外期貨價格預(yù)測模型的發(fā)展研究現(xiàn)狀 國內(nèi)外關(guān)于期貨價格波動率的研究現(xiàn)狀 第三章 我國玉米期貨市場有效性檢驗 期貨市場有效性檢驗的理論基礎(chǔ) 目前證券市場和期貨市場的有效性檢驗大多集中在弱式有效市場的檢驗。 Fama[2]（ 1970）基于三種類型的信息：“歷史信息”、“公開信息”和“內(nèi)部信息”將有效市場劃分為三種形式：弱式有效市場、半強(qiáng)式有效市場和強(qiáng)式有效市場。弱式有效市場表明市場價格已充分反映出所有過去歷史的證券價格信息，如證券的歷史價格、交易量等，這也意味著若弱式有效