神經(jīng)網(wǎng)絡(luò)expectile回歸模型及應(yīng)用.pdf

1、金融系統(tǒng)的非線性特征是導(dǎo)致金融市場(chǎng)中眾多復(fù)雜現(xiàn)象的重要因素，也是眾多學(xué)者關(guān)注的重要和熱點(diǎn)問(wèn)題。傳統(tǒng)的線性模型無(wú)法刻畫(huà)金融市場(chǎng)中的復(fù)雜特征，隨著人工智能技術(shù)的發(fā)展，人工神經(jīng)網(wǎng)絡(luò)等也被紛紛引入了金融系統(tǒng)的分析中，用以構(gòu)建金融系統(tǒng)中的非線性結(jié)構(gòu)。與分位數(shù)回歸類似，expectile回歸能夠更加細(xì)致地研究金融系統(tǒng)內(nèi)在機(jī)理和運(yùn)行規(guī)律。非線性expectile回歸不但能夠揭示變量之間非線性關(guān)系，而且能夠刻畫(huà)響應(yīng)變量完整條件分布特征，受到了越來(lái)越多的

2、關(guān)注。然而，傳統(tǒng)的非線性expectile回歸主要存在兩個(gè)方面的局限:第一，非線性函數(shù)形式選擇困難;第二，忽略了解釋變量之間的交叉配合效應(yīng)。
　　本文將神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與expectile回歸相結(jié)合，提出了一種新的非參數(shù)非線性expectile回歸模型:神經(jīng)網(wǎng)絡(luò)expectile回歸模型（ERNN），并給出了模型估計(jì)以及參數(shù)選擇方法。此外，為避免模型過(guò)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(xiàng)的

3、神經(jīng)網(wǎng)絡(luò)expectile回歸模型，并且給出了參數(shù)估計(jì)、模型選擇以及數(shù)值模擬方法。其次，通過(guò)Monte Carlo數(shù)值模擬，將神經(jīng)網(wǎng)絡(luò)expectile回歸模型以及帶有懲罰項(xiàng)的神經(jīng)網(wǎng)絡(luò)expectile回歸與傳統(tǒng)的非線性expectile回歸模型進(jìn)行比較，結(jié)果表明:第一，無(wú)論是樣本內(nèi)還是樣本外，神經(jīng)網(wǎng)絡(luò)expectile回歸模型的預(yù)測(cè)能力都要優(yōu)于傳統(tǒng)的expectile回歸模型。第二，通過(guò)增加懲罰項(xiàng)的神經(jīng)網(wǎng)絡(luò)expectile回歸模型，

4、能夠提升其預(yù)測(cè)能力。最后，將神經(jīng)網(wǎng)絡(luò)expectile回歸模型成功應(yīng)用于中國(guó)與美國(guó)的房地產(chǎn)價(jià)格分析。實(shí)證結(jié)果表明:帶有懲罰項(xiàng)的神經(jīng)網(wǎng)絡(luò)expectile回歸模型優(yōu)于傳統(tǒng)的非線性expectile回歸和神經(jīng)網(wǎng)絡(luò)expectile回歸模型。進(jìn)一步，考察了各解釋變量對(duì)房?jī)r(jià)的邊際影響,得到了有意義的實(shí)證結(jié)果。
　　本文的研究工作，首先是對(duì)傳統(tǒng)的expectile回歸模型進(jìn)行有意義的擴(kuò)展，提出了神經(jīng)網(wǎng)絡(luò)expectile回歸模型，并給出了帶