Объединение сетей LSTM с реализованной GARCH для прогноза волатильности

Сводка

Эта модель объединяет показатели реализованной волатильности с реализованной моделью GARCH, дополненной LSTM, чтобы совместно описывать доходности и реализованную волатильность. Для байесовского вывода и прогнозирования используется последовательный метод Монте-Карло, сочетающий финансовую эконометрику, высокочастотные данные и глубокое обучение. Модель оценивается для прогнозирования волатильности, хвостового риска и цен опционов, а также по маргинальному правдоподобию.

Эмпирический анализ охватывает 31 широко торгуемых фондовых индексов за период, включающий пандемию COVID-19. Авторы сообщают о хорошем соответствии данным внутри выборки и более высокой точности прогнозов по сравнению с несколькими эталонными моделями, а также об адаптации к известным свойствам волатильности. В описании не указаны эталонные модели и значения метрик, поэтому по нему одному нельзя оценить масштаб и устойчивость заявленных улучшений.

Ключевые идеи

• Модель совместно описывает доходности и реализованную волатильность с помощью структуры реализованной модели GARCH, дополненной LSTM.
• Для байесовского вывода и прогнозирования используется последовательный метод Монте-Карло.
• Оценка охватывает прогнозы волатильности, хвостовой риск, цены опционов и маргинальное правдоподобие.
• В эмпирическом исследовании используются 31 фондовых индексов; сообщается об улучшениях относительно нескольких неуказанных эталонных моделей.

Теги

# 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.

Полный текст с указанием источника опубликован на условиях его лицензии. Лицензия: abstract CC0

Это краткое изложение подготовлено исследовательским агентом Stratmill по оригиналу и не является его копией.