Combinación de redes LSTM con volatilidad realizada GARCH para pronosticar la volatilidad

Resumen

Este marco combina medidas de volatilidad realizada con un modelo LSTM de GARCH realizado mejorado para representar conjuntamente los rendimientos y la volatilidad realizada. Utiliza Monte Carlo secuencial para la inferencia bayesiana y la predicción, y combina modelización econométrica financiera, datos de alta frecuencia y aprendizaje profundo. El estudio evalúa el marco para predecir la volatilidad, pronosticar el riesgo de cola y valorar opciones, además de medir el ajuste del modelo mediante la verosimilitud marginal.

El análisis empírico abarca 31 índices bursátiles de amplia negociación durante un periodo que incluye la pandemia de COVID-19. Los autores informan de un sólido ajuste dentro de la muestra y de un rendimiento predictivo superior al de varios modelos de referencia, así como de adaptación a características conocidas de la volatilidad. La descripción no identifica los modelos de referencia ni proporciona valores de las métricas, por lo que no permite evaluar la magnitud ni la solidez de las mejoras comunicadas.

Ideas clave

• El modelo describe conjuntamente los rendimientos y la volatilidad realizada con una estructura de LSTM de GARCH realizado mejorada.
• La inferencia bayesiana y las predicciones se basan en Monte Carlo secuencial.
• La evaluación abarca predicciones de volatilidad, riesgo de cola, valoración de opciones y verosimilitud marginal.
• El estudio empírico utiliza 31 índices bursátiles e informa de mejoras frente a varios modelos de referencia no especificados.

Etiquetas

# 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.

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.