LSTM-Netzwerke mit realisiertem GARCH kombinieren

Zusammenfassung

Dieser Rahmen kombiniert Maße der realisierten Volatilität mit einem durch LSTM erweiterten Modell für realisiertes GARCH, um Renditen und realisierte Volatilität gemeinsam darzustellen. Für die Bayes'sche Inferenz und Prognose wird Sequential Monte Carlo eingesetzt; so verbindet der Ansatz finanzökonometrische Modellierung, Hochfrequenzdaten und Deep Learning. Die Studie bewertet den Rahmen für Volatilitätsprognosen, die Prognose von Extremrisiken und die Optionspreisbildung sowie die Modellanpassung anhand der marginalen Likelihood.

Die empirische Analyse umfasst 31 stark gehandelte Aktienindizes über einen Zeitraum, der die COVID-19-Pandemie einschließt. Die Autoren berichten eine gute Anpassung innerhalb der Stichprobe und eine bessere Prognoseleistung als bei mehreren Benchmarkmodellen sowie eine Anpassung an bekannte Merkmale der Volatilität. Die Beschreibung nennt weder die Benchmarks noch Kennzahlenwerte, sodass sich Ausmaß und Robustheit der berichteten Verbesserungen allein anhand dieser Darstellung nicht beurteilen lassen.

Kernaussagen

• Das Modell beschreibt Renditen und realisierte Volatilität gemeinsam mithilfe einer durch LSTM erweiterten Struktur für realisiertes GARCH.
• Bayes'sche Inferenz und Prognosen stützen sich auf Sequential Monte Carlo.
• Die Auswertung umfasst Volatilitätsprognosen, Extremrisiken, Optionspreisbildung und marginale Likelihood.
• Die empirische Studie verwendet 31 Aktienindizes und berichtet Verbesserungen gegenüber mehreren nicht näher bezeichneten Benchmarks.

Schlagwörter

# Deep Learning Enhanced Realized GARCH


# Deep Learning Enhanced Realized GARCH









We propose a new approach to volatility modeling by combining deep learning (LSTM) and realized volatility measures. This LSTM-enhanced realized GARCH framework incorporates and distills modeling advances from financial econometrics, high frequency trading data and deep learning. Bayesian inference via the Sequential Monte Carlo method is employed for statistical inference and forecasting. The new framework can jointly model the returns and realized volatility measures, has an excellent in-sample fit and superior predictive performance compared to several benchmark models, while being able to adapt well to the stylized facts in volatility. The performance of the new framework is tested using a wide range of metrics, from marginal likelihood, volatility forecasting, to tail risk forecasting and option pricing. We report on a comprehensive empirical study using 31 widely traded stock indices over a time period that includes COVID-19 pandemic.

Vollständig mit Quellenangabe unter der Lizenz der Quelle angezeigt. Lizenz: abstract CC0

Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.