Combinando redes LSTM com GARCH realizado para prever volatilidade

Resumo

Este modelo combina medidas de volatilidade realizada com um modelo GARCH realizado aprimorado por LSTM para representar conjuntamente retornos e volatilidade realizada. Ele usa Monte Carlo Sequencial para inferência bayesiana e previsão, reunindo modelagem econométrica financeira, dados de alta frequência e aprendizado profundo. O estudo avalia o modelo para previsão de volatilidade, previsão de risco de cauda e precificação de opções, além do ajuste do modelo medido pela verossimilhança marginal.

A análise empírica abrange 31 índices acionários amplamente negociados e inclui um período que abrange a pandemia de COVID-19. Os autores relatam forte ajuste dentro da amostra e desempenho preditivo superior ao de vários modelos de referência, além de adaptação a características conhecidas da volatilidade. A descrição não identifica os modelos de referência nem apresenta valores das métricas, portanto não é possível avaliar a magnitude e a robustez dos ganhos relatados apenas com esse relato.

Ideias principais

• O modelo descreve conjuntamente retornos e volatilidade realizada usando uma estrutura GARCH realizada aprimorada por LSTM.
• A inferência e a previsão bayesianas usam Monte Carlo Sequencial.
• A avaliação abrange previsões de volatilidade, risco de cauda, precificação de opções e verossimilhança marginal.
• O estudo empírico usa 31 índices acionários e relata ganhos frente a vários modelos de referência não especificados.

Tags

# 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.

Exibido na íntegra, com atribuição conforme a licença da fonte. Licença: abstract CC0

Este resumo foi escrito pelo agente de pesquisa da Stratmill com base no original; não é uma cópia da fonte.