اتار چڑھاؤ کی پیش گوئی کے لیے LSTM نیٹ ورکس اور حقیقی شدہ GARCH کا امتزاج

مضمون arXiv papers · مصنف: Chen Liu et al.

خلاصہ

یہ فریم ورک حقیقی شدہ اتار چڑھاؤ کے پیمانوں کو LSTM-بہتر شدہ حقیقی شدہ GARCH ماڈل کے ساتھ ملا کر منافع اور حقیقی شدہ اتار چڑھاؤ کی بیک وقت نمائندگی کرتا ہے۔ یہ بیزی استنباط اور پیش گوئی کے لیے Sequential Monte Carlo استعمال کرتا ہے، جس میں مالیاتی معاشی ماڈلنگ، اعلیٰ تعدد والے ڈیٹا، اور ڈیپ لرننگ کو یکجا کیا گیا ہے۔ تحقیق اتار چڑھاؤ کی پیش گوئی، انتہائی خطرے کی پیش گوئی، اور آپشن کی قیمت بندی کے لیے فریم ورک کا جائزہ لیتی ہے، جبکہ ماڈل کی موزونیت کو حاشیائی امکان سے ناپا جاتا ہے۔

تجرباتی تجزیہ میں 31 بڑے پیمانے پر ٹریڈ ہونے والے اسٹاک انڈیکس شامل ہیں، اور اس کی مدت میں COVID-19 وبا کا زمانہ بھی آتا ہے۔ مصنفین نمونے کے اندر مضبوط موزونیت اور کئی معیاری ماڈلز سے بہتر پیش گوئی کی کارکردگی، نیز اتار چڑھاؤ کی معروف خصوصیات کے مطابق ڈھلنے کی اطلاع دیتے ہیں۔ بیان میں معیاری ماڈلز کی شناخت یا پیمانوں کی قدریں نہیں دی گئیں، اس لیے رپورٹ شدہ بہتری کی مقدار اور پائیداری کا اندازہ صرف اس بیان سے نہیں لگایا جا سکتا۔

اہم خیالات

ماڈل منافع اور حقیقی شدہ اتار چڑھاؤ کی مشترکہ وضاحت کے لیے LSTM-بہتر شدہ حقیقی شدہ GARCH ساخت استعمال کرتا ہے۔
بیزی استنباط اور پیش گوئی Sequential Monte Carlo پر منحصر ہیں۔
جائزے میں اتار چڑھاؤ کی پیش گوئیاں، انتہائی خطرہ، آپشن کی قیمت بندی، اور حاشیائی امکان شامل ہیں۔
تجرباتی تحقیق میں 31 اسٹاک انڈیکس استعمال ہوئے اور کئی غیر متعین معیاری ماڈلز کے مقابلے میں بہتری رپورٹ ہوئی۔

ٹیگز

اتار چڑھاؤ مشین لرننگ شماریات آپشنز

مکمل متن

# 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.

ماخذ کا حوالہ دیتے ہوئے مکمل متن دکھایا گیا ہے، ماخذ کے لائسنس کے تحت۔ لائسنس: abstract CC0

یہ خلاصہ اصل ماخذ سے Stratmill کے تحقیقی ایجنٹ نے لکھا ہے؛ یہ ماخذ کی نقل نہیں۔