💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

 ⛳️赠与读者

💥1 概述

1.1 介绍

1.2 数据

1.3 模型

1.4 结果

1.5 结论

📚2 运行结果

🎉3 参考文献

🌈4 Python代码、数据下载

---

 ⛳️赠与读者

👨‍💻做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能解答你胸中升起的一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。

     或许，雨过云收，神驰的天地更清朗.......🔎🔎🔎

💥1 概述

基于LSTM-GARCH模型的投资组合波动预测研究【主要目的是比较传统计量经济学模型与深度学习技术在预测金融市场波动方面的性能】

1.1 介绍

波动性预测对于风险管理、衍生品定价和财务决策至关重要。该项目实施并评估了几种波动率预测模型，包括GARCH（1,1）、GARCH-t、EGARCH、TGARCH和LSTM神经网络。使用平均绝对误差（MAE）和均方误差（MSE）等指标比较了这些模型的性能。

1.2 数据

本研究中使用的数据集由金融投资组合的每日回报组成。数据从2000年1月到2023年12月，包括以下特征：

投资组合回报
指数移动平均线
滚动波动性
技术指标（Bollinger Bands、RSI、MACD、ROC）

1.3 模型

GARCH系列
GARCH族模型因其能够捕捉时变波动性和杠杆效应而被广泛用于波动性预测。实现了以下模型：

GARCH(1,1)：基本广义自回归条件异方差模型。
GARCH-t：具有学生t分布的GARCH模型。
EGARCH：指数GARCH模型，捕捉波动中的不对称性。
TGARCH：阈值GARCH模型，允许对正负冲击做出不同反应。
LSTM模型
LSTM神经网络是一种能够学习长期依赖关系的递归神经网络（RNN）。它们非常适合时间序列预测任务。本研究中的LSTM模型由以下部分组成：

两个LSTM层，分别有100和50个单元。
Dropout层用于防止过拟合。
用于波动性预测的密集输出层。

1.4 结果

使用样本外预测来评估模型的性能。迪堡-马里亚诺（DM）测试用于统计比较模型的预测准确性。主要发现包括：

在MAE和MSE方面，EGARCH优于其他GARCH族模型。
与GARCH族模型相比，LSTM模型表现出更优的性能，特别是在捕捉非线性依赖关系方面。

1.5 结论

该研究得出结论，虽然GARCH家族模型在波动性预测方面是有效的，但LSTM神经网络提供了更高的准确性，并更有效地处理了非线性依赖关系。这些发现对金融建模和风险管理具有重要意义。

📚2 运行结果

🎉3 参考文献

文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。(文章内容仅供参考，具体效果以运行结果为准)

[1]操玮,任思儒.基于LSTM与GARCH族混合模型的人民币汇率波动预测研究[J].计算机应用研究, 2020(S01):4.

[2]张喜凤.基于深度学习的LSTM模型股价预测应用研究[J].科技与创新, 2024(23).

🌈4 Python代码、数据下载

资料获取，更多粉丝福利，MATLAB|Simulink|Python资源获取

                                                           ​