論文の概要: Sector Volatility Prediction Performance Using GARCH Models and
Artificial Neural Networks
- arxiv url: http://arxiv.org/abs/2110.09489v1
- Date: Mon, 18 Oct 2021 17:37:44 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-19 21:28:41.396317
- Title: Sector Volatility Prediction Performance Using GARCH Models and
Artificial Neural Networks
- Title(参考訳): GARCHモデルとニューラルネットワークを用いたセクタ変動予測性能
- Authors: Curtis Nybo
- Abstract要約: 本研究では,低,中,高ボラティリティプロファイルをもつ株に適用した場合のANNおよびGARCHモデルのボラティリティ予測性能を比較した。
その結果,ANNモデルは,低ボラティリティプロファイルを持つ資産のボラティリティを予測するために使用されるべきであることが示された。
GARCHモデルは中・高ボラティリティ資産のボラティリティを予測する際に使用されるべきである。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recently artificial neural networks (ANNs) have seen success in volatility
prediction, but the literature is divided on where an ANN should be used rather
than the common GARCH model. The purpose of this study is to compare the
volatility prediction performance of ANN and GARCH models when applied to
stocks with low, medium, and high volatility profiles. This approach intends to
identify which model should be used for each case. The volatility profiles
comprise of five sectors that cover all stocks in the U.S stock market from
2005 to 2020. Three GARCH specifications and three ANN architectures are
examined for each sector, where the most adequate model is chosen to move on to
forecasting. The results indicate that the ANN model should be used for
predicting volatility of assets with low volatility profiles, and GARCH models
should be used when predicting volatility of medium and high volatility assets.
- Abstract(参考訳): 近年、人工ニューラルネットワーク(ANN)はボラティリティ予測に成功しているが、一般的なGARCHモデルではなく、ANNをどこで使用するべきかについての文献が分かれている。
本研究の目的は、低, 中, 高ボラティリティプロファイルを有する株に適用した場合のANNおよびGARCHモデルのボラティリティ予測性能を比較することである。
このアプローチは、各ケースで使用するモデルを特定することを目的としている。
ボラティリティのプロファイルは、2005年から2020年まで米国株式市場の全株式をカバーする5つのセクターで構成されている。
3つのGARCH仕様と3つのANNアーキテクチャを各セクターで検討し、予測に最も適したモデルを選択した。
その結果,annモデルは低ボラティリティプロファイルの資産のボラティリティ予測に利用すべきであり,garchモデルは中高ボラティリティ資産のボラティリティ予測に使用するべきであることがわかった。
関連論文リスト
- Predictive Churn with the Set of Good Models [64.05949860750235]
近似機械学習モデルの集合に対する競合予測の効果について検討する。
ラーショモン集合内のモデル間の係り受けに関する理論的結果を示す。
当社のアプローチは、コンシューマ向けアプリケーションにおいて、より予測し、削減し、混乱を避けるためにどのように使用できるかを示します。
論文 参考訳(メタデータ) (2024-02-12T16:15:25Z) - Combining Deep Learning and GARCH Models for Financial Volatility and
Risk Forecasting [0.0]
我々は,一般的な計量的GARCH時系列モデルとディープラーニングニューラルネットワークを組み合わせることで,金融商品のボラティリティとリスクを予測するハイブリッドアプローチを開発した。
一方,GARCHは標準GARCH,EGARCH,GJR-GARCH,APARCHの4つの仕様が採用されている。
モデルは、S&P500指数の日替わりの対数リターンと、金価格のBitcoin価格でテストされる。
論文 参考訳(メタデータ) (2023-10-02T10:18:13Z) - Towards Long-Term predictions of Turbulence using Neural Operators [68.8204255655161]
機械学習を用いて乱流シミュレーションのための低次/サロゲートモデルを開発することを目的としている。
異なるモデル構造が解析され、U-NET構造は標準FNOよりも精度と安定性が良い。
論文 参考訳(メタデータ) (2023-07-25T14:09:53Z) - HireVAE: An Online and Adaptive Factor Model Based on Hierarchical and
Regime-Switch VAE [113.47287249524008]
オンラインで適応的な環境で株価予測を行うファクターモデルを構築することは、依然としてオープンな疑問である。
本稿では,オンラインおよび適応型要素モデルであるHireVAEを,市場状況とストックワイド潜在要因の関係を埋め込んだ階層型潜在空間として提案する。
4つの一般的な実市場ベンチマークにおいて、提案されたHireVAEは、以前の手法よりもアクティブリターンの点で優れたパフォーマンスを示している。
論文 参考訳(メタデータ) (2023-06-05T12:58:13Z) - Volatility forecasting using Deep Learning and sentiment analysis [0.0]
本稿では、市場ボラティリティを予測するための感情分析と深層学習を融合した複合モデルを提案する。
次に、過去の感情と前日の変動を利用して予測を行う合成予測モデル、Long-Short-Term-Memory Neural Network法について述べる。
論文 参考訳(メタデータ) (2022-10-22T14:54:33Z) - Stock Volatility Prediction using Time Series and Deep Learning Approach [0.0]
本稿では,GARCH,Glosten-Jagannathan-GARCH,Exponential General Autoregressive Conditional heteroskedastic(EGARCH),LSTMフレームワークに依存する複数のボラティリティモデルを提案する。
これまで検討されてきた分野は、銀行、情報技術(IT)、製薬である。
論文 参考訳(メタデータ) (2022-10-05T10:03:32Z) - DeepVol: Volatility Forecasting from High-Frequency Data with Dilated
Causal Convolutions [78.6363825307044]
本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。
拡張畳み込みフィルタは日内財務データから関連情報を抽出するのに最適であることを示す。
論文 参考訳(メタデータ) (2022-09-23T16:13:47Z) - Machine Learning for Stock Prediction Based on Fundamental Analysis [13.920569652186714]
フィードフォワードニューラルネットワーク(FNN)、ランダムフォレスト(RF)、適応型ニューラルファジィ推論システム(ANFIS)の3つの機械学習アルゴリズムについて検討する。
RFモデルは最高の予測結果を達成し,FNNとANFISのテスト性能を向上させることができる。
この結果から, 機械学習モデルは, 株式投資に関する意思決定において, 基礎アナリストの助けとなる可能性が示唆された。
論文 参考訳(メタデータ) (2022-01-26T18:48:51Z) - 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) - Forecasting High-Dimensional Covariance Matrices of Asset Returns with
Hybrid GARCH-LSTMs [0.0]
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。
論文 参考訳(メタデータ) (2021-08-25T23:41:43Z) - Models, Pixels, and Rewards: Evaluating Design Trade-offs in Visual
Model-Based Reinforcement Learning [109.74041512359476]
視覚的MBRLアルゴリズムにおける予測モデルの設計決定について検討する。
潜在空間の使用など、しばしば重要と見なされる設計上の決定は、タスクのパフォーマンスにはほとんど影響しないことが分かりました。
我々は,この現象が探索とどのように関係しているか,および標準ベンチマークにおける下位スコーリングモデルのいくつかが,同じトレーニングデータでトレーニングされた場合のベストパフォーマンスモデルと同等の性能を発揮するかを示す。
論文 参考訳(メタデータ) (2020-12-08T18:03:21Z)
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。