基于GARCH与LSTM神经网络模型的数字金融损益预测研究

摘要

互联网货币基金具有低门槛、高流动性等特点，是涉众面最广的数字金融产品.基于不同系别共选取32支互联网货币基金，分别采用GARCH模型和长短期记忆(long short-term memory, LSTM)神经网络模型对基金收益率进行预测并比较，随后使用GARCH模型进行基金在险价值(value at risk, VaR)度量，进而使用LSTM模型进行VaR预测.主要结论如下：第一，与GARCH模型相比，LSTM神经网络模型在互联网货币基金收益率预测中表现出更高的精确度与适应性；第二，VaR结果显示基金系互联网货币基金风险最高，银行系风险次之，互联网系风险最低；第三，与实际数据对比，LSTM神经网络模型对互联网货币基金的VaR预测具有较高可靠性，投资者可以结合LSTM模型的预测结果进行更为科学的投资决策.以上结论对投资者保障稳定收益、规避风险具有一定的意义.

关键词

互联网货币基金 / GARCH模型 / LSTM神经网络模型 / 在险价值(VaR)