Combiner les réseaux LSTM au GARCH réalisé pour prévoir la volatilité

Résumé

Ce cadre combine des mesures de volatilité réalisée à un modèle GARCH réalisé enrichi par LSTM, afin de représenter conjointement les rendements et la volatilité réalisée. Il utilise la méthode séquentielle de Monte-Carlo pour l’inférence bayésienne et la prévision, réunissant modélisation économétrique financière, données à haute fréquence et apprentissage profond. L’étude évalue le cadre pour la prévision de la volatilité, des risques extrêmes et des prix d’options, ainsi que l’ajustement du modèle mesuré par la vraisemblance marginale.

L’analyse empirique porte sur 31 indices boursiers très négociés, sur une période qui comprend la pandémie de COVID-19. Les auteurs font état d’un bon ajustement dans l’échantillon et de meilleures performances prédictives que plusieurs modèles de référence, ainsi que d’une adaptation aux caractéristiques habituelles de la volatilité. La description ne nomme pas les modèles de référence ni ne fournit de valeurs de métriques ; l’ampleur et la robustesse des gains rapportés ne peuvent donc pas être évaluées à partir de ce seul compte rendu.

Idées clés

• Le modèle décrit conjointement les rendements et la volatilité réalisée au moyen d’une structure GARCH réalisée enrichie par LSTM.
• L’inférence bayésienne et les prévisions s’appuient sur la méthode séquentielle de Monte-Carlo.
• L’évaluation couvre les prévisions de volatilité, les risques extrêmes, les prix d’options et la vraisemblance marginale.
• L’étude empirique utilise 31 indices boursiers et rapporte des gains par rapport à plusieurs références non précisées.

Étiquettes

# 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.

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.