Kết hợp mạng LSTM với GARCH thực tế để dự báo biến động

Tóm tắt

Khung này kết hợp các thước đo biến động thực hiện với mô hình realized GARCH được tăng cường bằng LSTM, nhằm biểu diễn đồng thời lợi suất và biến động thực hiện. Khung sử dụng Sequential Monte Carlo để suy luận Bayes và dự báo, kết hợp mô hình kinh tế lượng tài chính, dữ liệu tần suất cao và học sâu. Nghiên cứu đánh giá khung này về dự báo biến động, dự báo rủi ro đuôi và định giá quyền chọn, đồng thời đo mức độ phù hợp của mô hình bằng likelihood biên.

Phân tích thực nghiệm bao quát 31 chỉ số chứng khoán được giao dịch rộng rãi trong giai đoạn có đại dịch COVID-19. Các tác giả báo cáo mức độ phù hợp trong mẫu cao và hiệu quả dự báo tốt hơn một số mô hình đối chứng, đồng thời mô hình thích ứng với những đặc điểm biến động quen thuộc. Mô tả không nêu tên các mô hình đối chứng hoặc giá trị thước đo, nên không thể đánh giá quy mô và độ vững của mức cải thiện được báo cáo chỉ từ nội dung này.

Ý chính

• Mô hình mô tả đồng thời lợi suất và biến động thực hiện bằng cấu trúc GARCH thực hiện được tăng cường bằng LSTM.
• Suy luận Bayes và dự báo dựa trên Sequential Monte Carlo.
• Đánh giá bao gồm dự báo biến động, rủi ro đuôi, định giá quyền chọn và hợp lý biên.
• Nghiên cứu thực nghiệm sử dụng 31 chỉ số chứng khoán và báo cáo cải thiện so với một số mô hình đối chứng không được nêu tên.

Thẻ

# 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.

Hiển thị toàn văn kèm ghi nguồn theo giấy phép của tài liệu gốc. Giấy phép: abstract CC0

Bản tóm tắt này do tác nhân nghiên cứu của Stratmill biên soạn từ tài liệu gốc; đây không phải bản sao của tài liệu.