★
研究背景
：
波动率的预测一直是金融市场中（尤其是期权投资领域）非
常关注的课题。本报告分别从数据端和模型端两个角度，引
入舆情数据和机器学习模型，优化波动率预测的准确率。
★模型选择：
多元回归模型：本报告采用 OLS、Lasso 和 Ridge 作回归分析
模型，其中 Lasso 和 Ridge 是在 OLS 最小化残差平方和的基础
上分别加入了 L1 和 L2 范数的惩罚项。自回归模型：采用
GARCH（广义条件异方差模型）对波动率时间序列进行自回
归建模。深度学习模型：LSTM 是基于 RNN 改进的具有记忆
长短期信息的能力的神经网络，更加善于处理具有较长周期
时序关系依赖的数据。舆情分析：基于贝叶斯模型进行文本
的情感分类，通过中文语义分析库 SnowNLP 完成。
★模型结果：
价量数据的多元回归周度（5 日）和日度（1 日）正确率为：
64.16%和 65.05%；GARCH 模型周度（5 日）和日度（1 日）
正确率为：65.80%和 62.93%；价量数据的 LSTM 模型周度（5
日）和日度（1 日）正确率为：70.73%和 67.08%；补充舆情
数据后多元回归周度正确率为：63.95%；补充舆情数据后
LSTM 周度正确率为：67.17%。LSTM 表现最好，回归模型中
Lasso 优于 OLS 和 Ridge，GARCH 模型随参数敏感性较大；
舆情数据自身具有一定预测能力，却无法为价量数据提供增
益信息。上述模型预测效果均未在样本外出现明显衰减。