基于深度学习LSTM神经网络的障碍可转债设计与定价

目录

声明

1.绪论

1.1选题依据与研究意义

1.1.1选题依据

1.1.2 研究意义

1.2国内外相关研究文献综述

1.2.1 可转债定价的相关研究与发展

1.2.2 深度学习的相关研究与发展

1.3本文研究内容

1.4 本文研究方法和创新点

1.4.1 研究方法

1.4.2 本文创新点

2.基本理论与方法

2.1 可转换债券

2.1.1 可转债的介绍

2.1.2 可转债的发展

2.1.3 可转债的特点

2.2 B-S 期权定价理论

2.3神经网络与深度学习

2.3.1 人工神经元

2.3.2 神经网络

2.3.3 深度学习

2.3.4 深度学习算法

2.4深度学习的实现平台

2.5 LSTM 神经网络

2.5.1 循环神经网络

2.5.2 LSTM 结构介绍

2.5.3 LSTM 结构特点

3.定价模型的构建

3.1经典定价模型的介绍

3.1.1定价方法的选取

3.1.2定价的构成要素与分解

3.1.3模型的评价方法

3.2可转债的模型构建要素

3.2.1期权模型的构建

3.2.2公司债模型的构建

4.实证研究

4.1数据的收集与处理

4.1.1 可转债的选取

4.1.2 BS模型的参数

4.1.3 公司债的参数

4.1.4 数据的处理

4.2 预测波动率

4.2.1 GARCH 模型的构建

4.2.2 LSTM 神经网络的构建

4.3可转债定价结果与分析

4.3.1 模型结果

4.3.2 结果分析

5.障碍转债的设计与数据模拟

5.1新的障碍期权转债

5.1.1奇异期权介绍

5.1.2 障碍期权的介绍

5.1.3 障碍可转债的市场前景

5.2 障碍可转债的数据模拟

5.2.1相关模拟理论

5.2.2参数设置

5.2.3实证过程

5.2.4 结果分析

6.结论与展望

6.1 结论

6.2 展望

参考文献

附录程序

致谢