ترکیب شبکه‌های LSTM با GARCH تحقق‌یافته برای پیش‌بینی نوسان
خلاصه
این چارچوب معیارهای نوسان تحقق‌یافته را با مدل GARCH تحقق‌یافته تقویت‌شده با LSTM ترکیب می‌کند تا بازده‌ها و نوسان تحقق‌یافته را به‌طور هم‌زمان بازنمایی کند. برای استنباط بیزی و پیش‌بینی از مونت‌کارلوی ترتیبی استفاده می‌کند و مدل‌سازی اقتصادسنجی مالی، داده‌های پربسامد و یادگیری عمیق را کنار هم می‌آورد. این مطالعه چارچوب را برای پیش‌بینی نوسان، پیش‌بینی ریسک دنباله‌ای و قیمت‌گذاری اختیار معامله ارزیابی می‌کند و برازش مدل را نیز با درست‌نمایی حاشیه‌ای می‌سنجد.
تحلیل تجربی 31 شاخص سهام پرمعامله را در دوره‌ای پوشش می‌دهد که همه‌گیری COVID-19 را نیز در بر می‌گیرد. نویسندگان از برازش قوی درون‌نمونه و عملکرد پیش‌بینی بهتر از چند مدل معیار، و نیز سازگاری با ویژگی‌های آشنای نوسان خبر می‌دهند. توضیحات، مدل‌های معیار را مشخص نمی‌کند یا مقادیر معیارها را ارائه نمی‌دهد؛ بنابراین از این گزارش به‌تنهایی نمی‌توان اندازه و استحکام بهبودهای اعلام‌شده را ارزیابی کرد.
ایده‌های کلیدی
- مدل با ساختار GARCH تحقق‌یافته تقویت‌شده با LSTM، بازده‌ها و نوسان تحقق‌یافته را هم‌زمان توصیف می‌کند.
- استنباط و پیش‌بینی بیزی بر مونت‌کارلوی ترتیبی تکیه دارند.
- ارزیابی، پیش‌بینی نوسان، ریسک دنباله‌ای، قیمت‌گذاری اختیار معامله و درست‌نمایی حاشیه‌ای را در بر می‌گیرد.
- مطالعه تجربی از 31 شاخص سهام استفاده می‌کند و از بهبود نسبت به چند معیار نامشخص خبر می‌دهد.
برچسب‌ها
متن کامل
# 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.
با ذکر منبع و مطابق مجوز اثر، به‌طور کامل نمایش داده می‌شود. مجوز: abstract CC0
این خلاصه را عامل پژوهشی Stratmill بر پایه متن اصلی نوشته است؛ نسخه‌ای از اثر منبع نیست.