基于GMDH的LSSVM预测模型及其实证

自从Suykens提出新型统计理论学习方法-最小二乘支持向量机(LSSVM)以来,这种方法引起了广泛的关注,它在预测方面的良好性能得到了广泛应用.应用自组织数据挖掘(GMDH)方法改进LSSVM,提升了预测精度.首先利用GMDH方法选择有效的输入变量,再将这些变量作为LSSVM模型的输入,进行时间序列的预测,从而建立LSSVM和GMDH组合的混合模型GLSSVM.并通过汇率时间序列对本文模型进行了实证.结果表明,混合模型预测精度得到了明显的提高.     

基于非对称GARCH-GH的期权定价公式及实证分析

本文应用Eerser测度转换技术构建了非对称GARCH-GH期权定价闭形公式,该公式通过非正态分布和非对称GARCH模型刻画金融资产的尖峰、厚尾、偏态分布的和随机波动特征。通过金融市场交易数据实证发现:与被称为期权定价工业新标准的Heston和Nandi(2001)的HN模型相比,本文构建的EGARCH-NIG模型定价误差更小,比HN模型的定价误差减小了26.24%, 对于实值程度较强的期权,本文的EGARCH-GH、GJR-GH和GJR-NIG模型的定价误差均小于HN模型。模型的估计误差与期权实值程度成反比,即实值程度越强,估计误差越小,所估计的结果越准确。