神經網絡expectile回歸模型及應用.pdf

1、金融系統(tǒng)的非線性特征是導致金融市場中眾多復雜現(xiàn)象的重要因素，也是眾多學者關注的重要和熱點問題。傳統(tǒng)的線性模型無法刻畫金融市場中的復雜特征，隨著人工智能技術的發(fā)展，人工神經網絡等也被紛紛引入了金融系統(tǒng)的分析中，用以構建金融系統(tǒng)中的非線性結構。與分位數回歸類似，expectile回歸能夠更加細致地研究金融系統(tǒng)內在機理和運行規(guī)律。非線性expectile回歸不但能夠揭示變量之間非線性關系，而且能夠刻畫響應變量完整條件分布特征，受到了越來越多的

2、關注。然而，傳統(tǒng)的非線性expectile回歸主要存在兩個方面的局限:第一，非線性函數形式選擇困難;第二，忽略了解釋變量之間的交叉配合效應。
　　本文將神經網絡結構與expectile回歸相結合，提出了一種新的非參數非線性expectile回歸模型:神經網絡expectile回歸模型（ERNN），并給出了模型估計以及參數選擇方法。此外，為避免模型過度擬合的情形發(fā)生，本文分別使用L2懲罰、L1懲罰、L1+L2懲罰，建立了帶有懲罰項的

3、神經網絡expectile回歸模型，并且給出了參數估計、模型選擇以及數值模擬方法。其次，通過Monte Carlo數值模擬，將神經網絡expectile回歸模型以及帶有懲罰項的神經網絡expectile回歸與傳統(tǒng)的非線性expectile回歸模型進行比較，結果表明:第一，無論是樣本內還是樣本外，神經網絡expectile回歸模型的預測能力都要優(yōu)于傳統(tǒng)的expectile回歸模型。第二，通過增加懲罰項的神經網絡expectile回歸模型，

4、能夠提升其預測能力。最后，將神經網絡expectile回歸模型成功應用于中國與美國的房地產價格分析。實證結果表明:帶有懲罰項的神經網絡expectile回歸模型優(yōu)于傳統(tǒng)的非線性expectile回歸和神經網絡expectile回歸模型。進一步，考察了各解釋變量對房價的邊際影響,得到了有意義的實證結果。
　　本文的研究工作，首先是對傳統(tǒng)的expectile回歸模型進行有意義的擴展，提出了神經網絡expectile回歸模型，并給出了帶