運用迴歸生成對抗網路預測信用違約交換報價

MUSTIR > College of Management > Department of Finance > Research Projects in School > Item 987654321/1524

Please use this identifier to cite or link to this item: http://120.105.36.38/ir/handle/987654321/1524

Title:	運用迴歸生成對抗網路預測信用違約交換報價
Authors:	林淑瑛
Contributors:	財金系
Keywords:	信用違約交換、注意力機制、長短期記憶神經網路、卷積神經網路、生成對抗網路
Date:	2021-10
Issue Date:	2021-11-16 15:39:02 (UTC+8)
Abstract:	2020年因為新冠病毒疫情的衝擊，各國債務累積快速，各國政府及企業陷入債務海嘯，在全球債務海嘯的情況下，信用風險評估是金融風險領域最關鍵的管理問題之一，而信用違約交換(Credit Default Swap, CDS)為信用風險之市場價格。本計畫運用深度學習之迴歸生成對抗網路(Generative Adversarial Network, GAN)預測CDS報價，除了由CDS歷史價格所形成資料分配預測未來價格外，參考相關文獻加入影響CDS價格因子：標的公司財務槓桿；另為捕捉市場即時動態訊息及投資人對資訊反應，加入文字探勘技術萃取新聞資料特徵，包含新聞內文市場情感分數之數值資料及新聞標題之語意向量，以提升預測模型之準確度。方法架構如下：文本和數字時間序列數據的特徵提取收集歷史信用違約交換利差、新聞數據和財務數據的原始數據。預處理文本原始數據：文本數據包括標題和內容，透過詞嵌入方法提取標題中詞的語義向量，新聞內容文本以台大金融詞情感詞典計算市場情感分數。預處理數值原始數據：數值時間序列數據包括信用違約交換、市場情緒分數和財務槓桿。經過資料遺漏值的補值與正規化後得到歷史時間序列之數值資料。生成對抗訓練將新聞數據、信用違約交換歷史數據和財務槓桿時間序列數據輸入生成器。生成器輸出信用違約交換預測值。將生成器的信用違約交換預測作為假資料，以實際信用違約交換作為真資料。判別器學習對真資料和假資料進行分類。通過迭代訓練，生成器和判別器相互競爭和優化，使生成器最終具備產生高質量預測結果的能力。
Appears in Collections:	[Department of Finance] Research Projects in School

Files in This Item:

File	Description	Size	Format
林淑瑛校內專題結案報告.pdf		1830Kb	Adobe PDF	1	View/Open

View Licence

Loading...