ARMA模型MATLAB代码-用于预测股票收益波动的机器学习方法...

简介：
本段落介绍了一种基于ARMA模型的MATLAB程序代码，旨在通过机器学习技术预测股票市场收益的波动性。该方法结合了统计学和计算机科学领域的知识，为投资者提供更加精准的风险评估工具。 我的硕士论文使用了以下深度学习网络来预测股票收益波动率：MLP（多层感知器）、Jordan、Elman以及LSTM（长短期记忆）。这些模型的实现利用了MATLAB与R-Studio两个统计软件。 由于在R中缺乏用于GARCH-MIDAS模型估计的相应包，因此仅使用MATLAB来评估该特定类型的模型。所有的人工神经网络（ANN）均通过RStudio进行计算处理。每种人工神经网络架构——MLP、Jordan、Elman和LSTM分别借助不同的软件包实现：MLP采用的是R中的“neuralnet”包，而循环神经网路类型如Elman与Jordan则使用了“RSNNS”库；至于LSTM模型，则通过Keras进行构建。 整个实施过程分为三个阶段。在第一阶段中，我们对GARCH（广义自回归条件异方差）模型进行了逐步预测的估算工作，并总共评估了六个不同的GARCH模型版本。其中三组用于作为人工神经网络输入数据，另外三组则用作基准以评价ANN架构的预测性能。 所有这些GARCH模型都仅提前一步进行波动率估计而非多步前瞻预测。这主要是因为条件异方差性模型在更长时序上的多步骤前向预测会收敛至一个稳定值或模式。