LSTM; GARCH; 股票波动率; Python

学习了金融数据分析这门课，对Python这个工具又有了新的认识，真是太强大了！本小白的报告是基于哈工大硕士论文田晓丹《基于LSTM与多GARCH型混合模型的股价波动性预测的实证分析》的方法，研究预测时间序列中证500指数价格波动率最优的模型，在GARCH模型基础上结合神经网络LSTM算法，对解释变量及GARCH得到的参数进行多次训练得到损失函数RMSE和MAE最小的混合模型。做完此实验能让我们对GARCH族模型的原理有更好的理解，也为在金融中应用算法提供思路，大家快来学习一下吧!

GARCH(1,1)模型；EGARCH(1,1)模型；TGARCH(1,1)模型。这三个模型递进地改进了杠杆效应即对称效应，就是利空和利好消息对金融市场的冲击不同。通过Eviews对中证500指数收益率总样本的10%进行样本外预测，并根据损失函数RMSE和MAE大小，得到最小的损失模型为TGARCH，得到各参数的列估计值，具体可通过Eviews里面生成的模型残差和方差来计算得到各参数的列估计值。

LSTM 神经网络属于时间递归神经网络。基于对循环神经网络的优化，LSTM神经网络能够解决循环神经网络的梯度缺陷。LSTM神经网络包括存储器块（记忆单元Cell）和三个自适应乘法门，即输入门(Input Gate)、输出门(Output Gate)和遗忘门(Forget Gate)[10]。LSTM的训练过程也是复杂的，简单来说是其输入门的输入值由三部分组成，即输入层中神经元的输出向量，前一个隐含层中的记忆单元的输出向量，前一时刻记忆单元的历史存储信息。

通过上述GARCH族模型的回归和LSTM神经网络学习算法的了解，查找相关资料进行代码编写，主要的参数维度需要根据自己的数据来.下面列出一些需要注意的地方。

报告研究了金融市场中时间序列波动率预测问题，从GARCH族模型和LSTM神经网络理论出发，应用Eviews对GARCH模型进行回归，找到预测精度最优的模型，再运用得到的参数估计值作为LSTM训练集的输入，训练得到预测损失最小的GARCH和LSTM混合模型。对GARCH和LSTM模型有更深入的理解，也能用更精确的方法来预测股价波动率，也学习了很多Python知识，受益颇深。

参考文献
[1] 田晓丹. 基于LSTM与多GARCH型混合模型的股价波动性预测的实证分析[D].哈尔滨工业大学,2019.
[2] CSDN，人大经济论坛各种资料.