コンテンツへスキップ
ライブラリの全資料

LSTMネットワークと実現GARCHによるボラティリティ予測

記事 arXiv papers · 著者: Chen Liu et al.
原文を読む

サマリー

このフレームワークは、実現ボラティリティ指標とLSTMで拡張した実現GARCHモデルを組み合わせ、リターンと実現ボラティリティを同時に表現します。ベイズ推論と予測には逐次モンテカルロ法を用い、金融計量経済モデリング、高頻度データ、ディープラーニングを組み合わせています。本研究では、ボラティリティ予測、テールリスク予測、オプション価格評価に加え、周辺尤度によるモデル適合度を評価します。

実証分析では、COVID-19パンデミックを含む期間の、広く取引される株価指数31を対象としています。著者らは、良好なインサンプル適合度と複数のベンチマークモデルを上回る予測性能に加え、ボラティリティに見られる既知の特徴への適応を報告しています。説明にはベンチマークの特定や指標値がないため、報告された改善の大きさや頑健性は、この概要だけでは評価できません。

主なアイデア

  • LSTMで拡張した実現GARCH構造により、リターンと実現ボラティリティを同時に記述します。
  • ベイズ推論と予測には逐次モンテカルロ法を用います。
  • ボラティリティ予測、テールリスク、オプション価格評価、周辺尤度を評価します。
  • 実証研究は株価指数31を用い、詳細不明の複数のベンチマークに対する改善を報告しています。

タグ

ボラティリティ機械学習統計オプション
全文
# 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.

出典を明記したうえで、ライセンスに従って全文を掲載しています。 ライセンス: abstract CC0

この要約は原文をもとにStratmillのリサーチエージェントが作成したもので、出典の複製ではありません。