論文の概要: Forecasting High-Dimensional Covariance Matrices of Asset Returns with
Hybrid GARCH-LSTMs
- arxiv url: http://arxiv.org/abs/2109.01044v1
- Date: Wed, 25 Aug 2021 23:41:43 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-05 08:54:40.757832
- Title: Forecasting High-Dimensional Covariance Matrices of Asset Returns with
Hybrid GARCH-LSTMs
- Title（参考訳）: ハイブリッドGARCH-LSTMを用いたアセットリターンの高次元共分散行列の予測
- Authors: Lucien Boulet
- Abstract要約: 本稿では,GARCHプロセスとニューラルネットワークを混合したハイブリッドモデルによるアセットリターンの共分散行列の予測能力について検討する。
提案された新しいモデルは、均等に重み付けされたポートフォリオを上回るだけでなく、エコノメトリとかなり差があるため、非常に有望である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Several academics have studied the ability of hybrid models mixing univariate
Generalized Autoregressive Conditional Heteroskedasticity (GARCH) models and
neural networks to deliver better volatility predictions than purely
econometric models. Despite presenting very promising results, the
generalization of such models to the multivariate case has yet to be studied.
Moreover, very few papers have examined the ability of neural networks to
predict the covariance matrix of asset returns, and all use a rather small
number of assets, thus not addressing what is known as the curse of
dimensionality. The goal of this paper is to investigate the ability of hybrid
models, mixing GARCH processes and neural networks, to forecast covariance
matrices of asset returns. To do so, we propose a new model, based on
multivariate GARCHs that decompose volatility and correlation predictions. The
volatilities are here forecast using hybrid neural networks while correlations
follow a traditional econometric process. After implementing the models in a
minimum variance portfolio framework, our results are as follows. First, the
addition of GARCH parameters as inputs is beneficial to the model proposed.
Second, the use of one-hot-encoding to help the neural network differentiate
between each stock improves the performance. Third, the new model proposed is
very promising as it not only outperforms the equally weighted portfolio, but
also by a significant margin its econometric counterpart that uses univariate
GARCHs to predict the volatilities.
- Abstract（参考訳）: いくつかの研究者は、単変量一般化自己回帰条件ヘテロスケダスティック性(GARCH)モデルとニューラルネットワークを混合して、純粋な計量モデルよりも優れたボラティリティ予測を実現する能力について研究している。
非常に有望な結果を示したにもかかわらず、そのようなモデルの多変量体への一般化はまだ研究されていない。
さらに、アセットリターンの共分散行列を予測するニューラルネットワークの能力を検証した論文はほとんどなく、いずれも比較的少数のアセットを使用するため、次元性の呪いとして知られるものには対処していない。
本研究の目的は,garchプロセスとニューラルネットワークを混合し,資産リターンの共分散行列を予測するハイブリッドモデルの能力を検討することである。
そこで本研究では,ボラティリティと相関予測を分解する多変量ガーチに基づく新しいモデルを提案する。
ボラティリティはハイブリッドニューラルネットワークを使って予測され、相関は従来の計量過程に従っている。
最小分散ポートフォリオフレームワークでモデルを実装した後、以下の結果が得られます。
まず、入力としてGARCHパラメータを追加することは、提案したモデルに有益である。
第2に、ニューラルネットワークが各ストックを区別するためのワンホットエンコーディングを使用することで、パフォーマンスが向上する。
第三に、提案された新しいモデルは、均等に重み付けされたポートフォリオを上回るだけでなく、一変量 GARCH を用いて変動を予測できる、その計量的手法のかなりの差によって、非常に有望である。
関連論文リスト
- Dynamic Post-Hoc Neural Ensemblers [55.15643209328513]
本研究では,ニューラルネットワークをアンサンブル手法として活用することを検討する。
低多様性のアンサンブルを学習するリスクを動機として,ベースモデル予測をランダムにドロップすることでモデルの正規化を提案する。
このアプローチはアンサンブル内の多様性を低くし、オーバーフィッティングを減らし、一般化能力を向上させる。
論文 参考訳（メタデータ） (2024-10-06T15:25:39Z) - A Dynamic Approach to Stock Price Prediction: Comparing RNN and Mixture of Experts Models Across Different Volatility Profiles [0.0]
MoEフレームワークは揮発性株のRNNと安定株の線形モデルを組み合わせて、ゲーティングネットワークを介して各モデルの重量を動的に調整する。
その結果,MoE法は様々な変動性プロファイルの予測精度を著しく向上させることがわかった。
MoEモデルの適応性は個々のモデルよりも優れており、Mean Squared Error(MSE)やMean Absolute Error(MAE)などのエラーを減らすことができる。
論文 参考訳（メタデータ） (2024-10-04T14:36:21Z) - GARCH-Informed Neural Networks for Volatility Prediction in Financial Markets [0.0]
マーケットのボラティリティを計測し、予測する新しいハイブリッドなDeep Learningモデルを提案する。
他の時系列モデルと比較すると、GINNは決定係数(R2$)、平均正方形誤差(MSE)、平均絶対誤差(MAE)の点で優れたサンプル外予測性能を示した。
論文 参考訳（メタデータ） (2024-09-30T23:53:54Z) - Structured Radial Basis Function Network: Modelling Diversity for
Multiple Hypotheses Prediction [51.82628081279621]
多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。
構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。
この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
論文 参考訳（メタデータ） (2023-09-02T01:27:53Z) - Consensus-Adaptive RANSAC [104.87576373187426]
本稿では,パラメータ空間の探索を学習する新しいRANSACフレームワークを提案する。
注意機構は、ポイント・ツー・モデル残差のバッチで動作し、軽量のワンステップ・トランスフォーマーで見いだされたコンセンサスを考慮するために、ポイント・ツー・モデル推定状態を更新する。
論文 参考訳（メタデータ） (2023-07-26T08:25:46Z) - A Statistics and Deep Learning Hybrid Method for Multivariate Time
Series Forecasting and Mortality Modeling [0.0]
Exponential Smoothing Recurrent Neural Network (ES-RNN)は、統計予測モデルとリカレントニューラルネットワークのハイブリッドである。
ES-RNNはMakridakis-4 Forecasting Competitionで絶対誤差を9.4%改善した。
論文 参考訳（メタデータ） (2021-12-16T04:44:19Z) - Sparse MoEs meet Efficient Ensembles [49.313497379189315]
このようなモデルの2つの一般的なクラス、すなわちニューラルネットワークのアンサンブルと専門家のスパースミックス(スパースMoE)の相互作用について研究する。
Efficient Ensemble of Experts (E$3$)は、両モデルのクラスを最大限に活用するスケーラブルでシンプルなMoEのアンサンブルであり、深いアンサンブルよりも最大45%少ないFLOPを使用する。
論文 参考訳（メタデータ） (2021-10-07T11:58:35Z) - Cauchy-Schwarz Regularized Autoencoder [68.80569889599434]
変分オートエンコーダ(VAE)は、強力で広く使われている生成モデルのクラスである。
GMMに対して解析的に計算できるCauchy-Schwarz分散に基づく新しい制約対象を導入する。
本研究の目的は,密度推定,教師なしクラスタリング,半教師なし学習,顔分析における変分自動エンコーディングモデルの改善である。
論文 参考訳（メタデータ） (2021-01-06T17:36:26Z) - Improving the Reconstruction of Disentangled Representation Learners via Multi-Stage Modeling [54.94763543386523]
現在の自己エンコーダに基づく非絡み合い表現学習法は、(集合体)後部をペナルティ化し、潜伏因子の統計的独立を促進することで、非絡み合いを実現する。
本稿では,不整合因子をペナルティに基づく不整合表現学習法を用いて学習する,新しい多段階モデリング手法を提案する。
次に、低品質な再構成を、欠落した関連潜伏変数をモデル化するために訓練された別の深層生成モデルで改善する。
論文 参考訳（メタデータ） (2020-10-25T18:51:15Z) - Recurrent Conditional Heteroskedasticity [0.0]
本稿では,Recurrent Conditional Heteroskedastic(RECH)モデルと呼ばれる新たな金融変動モデルを提案する。
特に、リカレントニューラルネットワークが支配する補助的決定過程を、従来の条件付きヘテロスケダスティックモデルの条件分散に組み込む。
論文 参考訳（メタデータ） (2020-10-25T08:09:29Z) - Parsimonious Quantile Regression of Financial Asset Tail Dynamics via
Sequential Learning [35.34574502348672]
本稿では、金融資産返却の動的テール挙動を学習するための擬似量子回帰フレームワークを提案する。
本モデルは,財務時系列の時間変化特性と非対称ヘビーテール特性の両方をよく捉えている。
論文 参考訳（メタデータ） (2020-10-16T09:35:52Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。