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

• Zero-Shot Load Forecasting with Large Language Models [40.604618284659736]
  本稿では,Chronos モデルで表される高度な LLM フレームワークを用いたゼロショット負荷予測手法を提案する。 トレーニング済みの広範な知識を利用することで、Chronosモデルは、広範なデータ固有のトレーニングを必要とせずに、データスカースシナリオの正確な負荷予測を可能にする。
  論文  参考訳（メタデータ） (2024-11-18T07:39:46Z)
• BreakGPT: Leveraging Large Language Models for Predicting Asset Price Surges [55.2480439325792]
  本稿では,時系列予測や資産価格の急上昇の予測に特化して,新たな大規模言語モデル(LLM)アーキテクチャであるBreakGPTを紹介する。 我々は、最小限のトレーニングで財務予測を行うための有望なソリューションとしてBreakGPTを紹介し、局所的およびグローバルな時間的依存関係をキャプチャする強力な競合相手として紹介する。
  論文  参考訳（メタデータ） (2024-11-09T05:40:32Z)
• 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)
• Stock Price Prediction and Traditional Models: An Approach to Achieve Short-, Medium- and Long-Term Goals [0.0]
  在庫価格予測のためのディープラーニングモデルと従来の統計手法の比較分析は、ナイジェリア証券取引所のデータを用いている。 深層学習モデル、特にLSTMは、データの複雑な非線形パターンをキャプチャすることで従来の手法より優れている。 この結果は、金融予測と投資戦略を改善するための深層学習の可能性を強調している。
  論文  参考訳（メタデータ） (2024-09-29T11:20:20Z)
• 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)
• 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)
• 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 [53.37679435230207]
  本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。 実験結果から,提案手法は高頻度データからグローバルな特徴を効果的に学習できることが示唆された。
  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)
• Towards Better Long-range Time Series Forecasting using Generative Adversarial Networks [40.662116703422846]
  本研究では,CWGAN(Conditional Wasserstein GAN)を用いてエラーペナルティ項を増大させ,高品質な合成時系列データを生成するための新たな生成モデルを提案する。 このような合成データを用いて、生成予測(GenF)と呼ばれる長距離予測手法を開発する。
  論文  参考訳（メタデータ） (2021-10-17T09:13:45Z)

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。