基于HAR与神经网络混合模型的原油期货波动率预测研究.pdf

摘要

摘要

有着“大宗商品之王”之称的石油，是当今世界的主要能源和化工原材

料。20世纪60年代以来，由于石油应用的广泛性，使其在全球能源消费结

构中的比例大幅增加，成为推动经济发展的主要源动力。改革开放后随着我

国经济的飞速发展，我国对原油的需求量大幅增加，原油进口量也在逐步增

加，原油对外依存度已超50%甚至达到70%。然而，亚洲溢价问题即使在我

国成为全球第二大甚至第一大进口国后仍未得到有效改善，这也使得我国对

油价的波动更为敏感。因此，如何利用科学有效的方法合理预测原油期货波

动率就显得尤为重要。这也是本文研究的意义所在，一方面期望从理论上丰

富现有对原油期货波动率的研究，另一方面也希望在现实中给决策者和市场

参与者提供一些提高风险预警和对冲的方法，尤其是在我国上海期货交易所

原油期货上市不久的今天也有着较为重要的现实意义。

在建模和预测波动率模型选取方面，MS-HAR模型是目前常用的预测波

动率的模型，随着技术的发展和社会的进步，单一的MS-HAR模型无法较为

有效的处理高维数据，与此同时，深度学习在金融领域大放异彩。鉴于此，

本文创新性的将神经网络模型ANN引入到MS-HAR模型来检验其是否能够

更为有效地提取复杂地非线性信息以提高波动率的预测精度。

本文可能的创新点如下：（1）Ma等（2016）将马尔可夫状态转换模型

引入到已实现波动率异质自回归模型（MS-HAR）中，实证结果表明优于原

Ma2016MS-HAR

有异质自回归模型，本研究在等（）的模型上进行拓展，

I

基于HAR与神经网络混合模型的原油期货波动率预测研究

MS-HARMS-HAR-ANN2

将神经网络应用到模型中构建模型；（）本文利用

迁移学习将MS-HAR模型的参数权重迁移到神经网络的高、低波动率子网络

3Zhao

中进行训练学习；（）现实生活中原油期货价格受多种因素影响，参考

（2017）等文献中提及的因素，在原有因素的基础上增加高维影响因素，以

增强对已实现波动率的进一步挖掘。

本文除了将构建的混合神经网络模型MS-HAR-ANN与基础模型

MS-HAR进行对比分析外，为了丰富研究，另行加入一系列机器学习模型，

如ANN、RF、Lasso、Ridge、ElasticNet和GradientBoostingDecisionTree

等等。最终得到如下结论：

（1）增强神经网络的复杂程度以及利用迁移学习确实可以有效提高模

型的预测能力。MS-HAR-ANN在样本外预测方面表现最佳，HMSE指标为

0.267，HMAE指标为0.36，其中相对于基础模型MS-HAR的提升率分别为

34.70%（基于HMSE）和16.33%（基于HMAE）。

220204

（）对于原油期货市场出现极端情形的年，也就是月份原油期

货价格为负这一问题，本文通过比较在上一节中模型表现最优的

MS-HAR-ANN模型和基础模型MS-HAR。研究结果表明，MS-HAR-ANN模

型在样本外的泛化能力表现要优于MS-HAR模型，其中，MS-HAR-ANN对

于MS-HAR的提升率分别为5.28%（基于HMSE指标）和4.39%（基于HMAE

指标）。

（3）本文通过调整窗口期以进行稳健性检验，结果表明在分别调整两次，

幅度为样本数据的5%之后，MS-HAR-ANN的表现仍为最优。

4