模拟卷基于神经网络的中国认股权证实证研究

Using the research method of literature, means of observation, behavioral approach, conceptual analysis and the pattern of information-seeking of local and overseas were analyzed and compared, Basic pattern strategies of technology information-seeking

基于神经网络的中国认股权证实证研究*

张轲1,2 ZhangKe 潘和平1,2,3,4 Heping Pan

1电子科技大学经济与管理学院成都610054

2电子科技大学预测研究中心成都610054

3西南财经大学中国金融研究中心国际金融预测研究所成都

4 Swingtum Institute of Intelligent Finance，Australia

摘要：本文利用中国权证市场上三只不同标的股票的欧式认股权证2008年6月13日至2009年1月9日间的交易数据为样本，通过对比BP，径向基函数以及广义回归神经网络在不同输入变量、相同样本区间情况下上对认股权证价格预测的表现，不仅证明了径向基函数神经网络和广义回归神经网络在样本区间上对认股权证的预测能力优于BP神经网络，同时也证明了修改传统BP神经网络定价模型输入变量可以提高预测精度，并进一步证明了在中国认股权证市场上投机氛围比较严重。

关键词：BP 神经网络 RBF神经网络 GRNN神经网络权证预测

一、引言

权证对于中国股市来说，早已不是新鲜事物。早在1995—1996年间，沪深股市就曾经出现过配股权证，当时深宝安、桂柳工等上市公司向流通股东发行一种配股权证，规定权证到期后持有人可以优惠价格购买公司新发行的股票。上市交易的配股权证后来遭遇疯狂炒作，宝安配股权证最高被炒到元以上，已经远远高于其股票的价格，成为一张废纸。最后许多权证到行权日时，都以几分钱的价格结束交易退出市场，很多投资者血本无归。鉴于权证的疯狂投机，从1996年12月之后，管理层叫停了权证交易。但是事隔9年之后，权证却因股改而重回股市。

*作者简介张轲（1985—），男，四川资阳人，硕士研究生，研究方向：金融工程。通讯地址：成都市成华区建设北路二段四号电子科技大学逸夫楼304，邮编610054 ，电子邮件：zhangk@。潘和平（1961—），男，陕西西安人，电子科技大学预测研究中心主任，西南财经大学中国金融研究中心国际金融预测研究所所长，教授，博士生导师，研究方向：智能金融，全球宏观金融，预测科学技术。通讯地址：成都市成华区建设北路二段四号电子

2005年8月22日，第一只股改权证宝钢权证在上交所挂牌上市。权证缴付一定比例的权利金即可交易，对于投资者而言可运用杠杆原理进行投资，即运用小额的资金运作，进而扩大投资标的股的总值，其获益或亏损会比直接购买股票大，但也因其倍数获利的杠杆效果以及投资人只享履约权利而无履约义务，而成为吸引投资人的最大诱因。

现行的权证定价模型，大致可以分为基于传统B-S模型的参数化定价模型以及以数模型、蒙特卡洛和有限差分等为代表的数值方法等定价模型。但对传统的B-S模型而言，是以发达国家成熟的金融市场为基础建立起来的，同时有着诸如股价服从对数正态分布，股票的连续收益服从正态分布等苛刻的前提建设。但在现实的证券市场中，这些苛刻的假设往往很难得以满足；同时由于我们国家的证券市场成立时间还比较短，机制还不是十分的健全，市场还不是十分的成熟。由于以上种种原因的制约，使得以传统B-S为代表以及建立在B-S

模型基础上的参数化定价方法，在我国的权证市场上的定价效果不是十分的好，误差比较大。对以树模型、蒙特卡洛以及有限差分为代表的数值方法定价模型而言，虽然这些数值的定价方法，在一定程度上可以减小B-S公式所带来的误差，但是也只是对处于两平状态(in the money)下的权证定价效果比较好，多于处于深度虚值或深度实值的期权，应用数值化的定价方法同样会产生较大的误差。

人工神经网络是由大量的与自然神经系统相类似的神经元广泛连接而成以模拟人脑思维方式的非线性系统，具有高速计算和学习的特性，在复杂系统的建模问题上表现出了它的优越性，在预测、评价等方面取得了很好的应用效果。权证价格具有复杂的动态非线性特征，传统的参数化定价模型难以反映这种复杂性，在实际操作上易产生价格偏误的现象。人工神经网络定价方法作为非线性工具，与权证价格所具有的非线性动力学特性相吻合，为解决这一难题提供了一定的希望。

在已有的研究中，多采用BP神经网络来对权证的价格进行预测，但BP神经网络具有收敛速度慢、易陷入局部最优而非全局最优等缺点，虽然可以通过LM算法对BP神经网络的训练进行优化，但却又易发生内存溢出等问题；同时在运用BP神经网络时，各隐含层节点数的确定是件十分困难的事情，只能通过一些经验公式结合实际的情况，具体问题具体分析，很难用一个通用的程序来使得对不同的输入都可以达到最优。RBF神经网络和GRNN神经网络可以很方便的克服BP神经网络上述的缺陷，所以本文拟通过对比在相同输入变量的情况下BP神经网络、RBF神经网络以及GRNN神经网络对权证定价的精度比较，找出两大类三种神经网络中，哪类、哪种的神经网络的误差比较小。同时适度的修改输入变量，对比不同神经网络在不同输入变量情况下的定价误差，找出效果较好的神经网络。

二、文献回顾

国外最早使用神经网络方法对期权定价问题进行研究工作是由Hutchinson Lo and Poggio等（1994）完成的。在他们的研究中，首先证明了神经网络可以从一个两年期的实值期权样本中得出一个与BS模型充分逼近的定价模型；然后，利用通过神经网络得到的公式对1987-1991的S&P500指数期货期权进行定价何Delta套期保值，且结果由于BS模型。另一个利用神经网络方法对期权定价问题进行研究比较早的是由Qi and Maddala等（1996）完成的。与Hutchinson Lo and Poggio他们不同，Qi and Maddala直接利用BS模型中的参数，作为网络的输入变量，将期权的价格作为输出变量。经过数据训练后的神经网络，在S&P500指数看涨期权的样本内和样本外的表现均由于BS公式也优于Qi and Maddala的研究结果。

此后许多专家学者都以上述研究为基础，提出了许多新的更为有效的网络定价方法。Lajbcygier etal等（1997），利用澳大利亚1993年1月至1994年12月普通股票指数期货交易数据，对比不同结构的神经网络与各种参数化定价模型所得出的结果，证明了神经网络定价方法优于传统的各种参数化定价方法。PanayiotisC。Anddreou等（2004）利用1998年1月至2001年8月期间纽约股票交易所和芝加哥期权交易所中的S&P500欧式看涨期权数据作为样本，对神经网络的输入变量进行了改进：一是包含了更多的解释变量，除了其他模型所使用的一般性解释变量以外，还包括了历史波动率、加权平均隐含波动率以及纯粹隐含波动率等变量，尤其是隐含波动率的加入实现了神经网络模型与传统参数化模型的有效结合；二是利用非线性插值方法得到了一个针对每一个期权到期日的连续性无风险利率曲线，代替了常数无风险利率的假设。研究的结果显示应用隐含波动率的神经网络要优于利用其它波动率的神经网络，且不论何种神经网络的输出均优于参数化定价模型的输出。Nikola Gradojevic（2007）针对单一神经网络模型在处理深度虚值期权时所出现的计算复杂性和局限性（单一ANN模型容易出现局部极小化；不能很好地适应最近学习数据），将工程计算领域常用的模块化思想引入期权定价的神经网络方法中，提出了模块化期权定价神经网络模型。但是通过使用S&P500指数欧式看涨期权在1987年1月至1994年10月期间的数据进行实证，显示出绝大部分年份里，非模块化神经网络的效果要优于模块化神经网络。

目前国内在这方面的研究还不多，在国内现有的文献当中，王其文等（1998）《人工神经网络方法在期权定价理论中的应用》，是第一篇在国内阐述利用神经网络方法进行期权定价的文章，此后刘志强、张凌、刘娟等人也先后发表了关于利用神经网络来为期权定价的文章。