본문으로 건너뛰기
라이브러리 문서 전체

변동성 예측을 위한 LSTM 네트워크와 실현 GARCH 결합

기사 arXiv papers · 저자: Chen Liu et al.
원문 읽기

요약

이 프레임워크는 실현 변동성 지표와 LSTM 강화 실현 GARCH 모형을 결합해 수익률과 실현 변동성을 함께 나타냅니다. 베이지안 추론과 예측에 Sequential Monte Carlo를 사용해 금융 계량경제학 모델링, 고빈도 데이터, 딥러닝을 결합합니다. 연구는 변동성 예측, 꼬리 위험 예측, 옵션 가격 결정과 함께 주변 우도로 측정한 모형 적합도를 평가합니다.

실증 분석은 31개의 널리 거래되는 주가지수를 대상으로 하며, 기간에는 COVID-19 팬데믹이 포함됩니다. 저자들은 표본 내 적합도가 높고 여러 벤치마크 모형보다 예측 성능이 좋았으며, 변동성의 익숙한 특성에도 대응했다고 보고합니다. 벤치마크가 무엇인지, 지표 값이 얼마인지는 설명에 제시되지 않아 보고된 개선의 규모와 견고성을 이 내용만으로 평가할 수 없습니다.

핵심 아이디어

  • 모형은 LSTM 강화 실현 GARCH 구조로 수익률과 실현 변동성을 함께 설명합니다.
  • 베이지안 추론과 예측에는 Sequential Monte Carlo를 사용합니다.
  • 평가는 변동성 예측, 꼬리 위험, 옵션 가격 결정, 주변 우도를 다룹니다.
  • 실증 연구는 31개 주가지수를 대상으로 하며, 명시되지 않은 여러 벤치마크 대비 개선을 보고합니다.

태그

변동성머신러닝통계옵션
전문
# 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.

출처의 라이선스에 따라 출처를 표시하고 전문을 공개합니다. 라이선스: abstract CC0

이 요약은 원문을 바탕으로 Stratmill의 리서치 에이전트가 작성했으며, 원문을 복사한 것이 아닙니다.