論文の概要: Combining Deep Learning and GARCH Models for Financial Volatility and
Risk Forecasting
- arxiv url: http://arxiv.org/abs/2310.01063v1
- Date: Mon, 2 Oct 2023 10:18:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2023-10-04 22:35:06.830566
- Title: Combining Deep Learning and GARCH Models for Financial Volatility and
Risk Forecasting
- Title(参考訳): 金融ボラティリティとリスク予測のためのディープラーニングモデルとGARCHモデルの組み合わせ
- Authors: Jakub Micha\'nk\'ow, {\L}ukasz Kwiatkowski, Janusz Morajda
- Abstract要約: 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。
- 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: In this paper, we develop a hybrid approach to forecasting the volatility and
risk of financial instruments by combining common econometric GARCH time series
models with deep learning neural networks. For the latter, we employ Gated
Recurrent Unit (GRU) networks, whereas four different specifications are used
as the GARCH component: standard GARCH, EGARCH, GJR-GARCH and APARCH. Models
are tested using daily logarithmic returns on the S&P 500 index as well as gold
price Bitcoin prices, with the three assets representing quite distinct
volatility dynamics. As the main volatility estimator, also underlying the
target function of our hybrid models, we use the price-range-based Garman-Klass
estimator, modified to incorporate the opening and closing prices. Volatility
forecasts resulting from the hybrid models are employed to evaluate the assets'
risk using the Value-at-Risk (VaR) and Expected Shortfall (ES) at two different
tolerance levels of 5% and 1%. Gains from combining the GARCH and GRU
approaches are discussed in the contexts of both the volatility and risk
forecasts. In general, it can be concluded that the hybrid solutions produce
more accurate point volatility forecasts, although it does not necessarily
translate into superior VaR and ES forecasts.
- Abstract(参考訳): 本稿では,一般的なコノメトリ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,金融商品の変動性とリスクを予測するハイブリッドアプローチを開発する。
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種株価指数の1日当たりの対数リターンと金価格のbitcoin価格を使ってテストされている。
ハイブリッドモデルのターゲット機能にも根ざした主要なボラティリティ推定器として、価格レンジに基づくGarman-Klass推定器を使用し、オープニングとクローズの価格を組み込むように修正した。
ハイブリッドモデルによるボラティリティ予測を用いて,2つの許容レベル (5%, 1%) において,バリュー・アット・リスク (var) と期待不足 (es) を用いて資産のリスクを評価する。
GARCHとGRUのアプローチを組み合わせることで得られる利益は、ボラティリティとリスク予測の両方の文脈で議論される。
一般に、ハイブリッド解はより正確な点変動予測を生成すると結論づけられるが、必ずしも優れた var と es 予測に翻訳されるわけではない。
関連論文リスト
- A Novel Hybrid Approach Using an Attention-Based Transformer + GRU Model for Predicting Cryptocurrency Prices [0.0]
本稿では,Transformer と Gated Recurrent Unit (GRU) アーキテクチャを統合した新しいディープラーニングハイブリッドモデルを提案する。
長距離パターンのキャプチャにおけるTransformerの強みと、GRUの短期トレンドとシーケンシャルトレンドをモデル化する能力を組み合わせることで、ハイブリッドモデルは時系列予測に十分に取り組んだアプローチを提供する。
提案モデルと他の4つの機械学習モデルとの比較により,提案モデルの性能を評価する。
論文 参考訳(メタデータ) (2025-04-23T20:00:47Z) - Bridging Econometrics and AI: VaR Estimation via Reinforcement Learning and GARCH Models [0.0]
本稿では,GARCHのボラティリティモデルと深い強化学習を組み合わせた,VaR(Value-at-Risk)推定のためのハイブリッドフレームワークを提案する。
本手法では,Double Deep Q-Network (DDQN) モデルを用いて市場予測を行い,タスクを不均衡な分類問題として扱う。
危機と高いボラティリティの期間をカバーする毎日のEurostoxx 50データに関する実証的な検証は、VaR推定の精度を大幅に改善したことを示している。
論文 参考訳(メタデータ) (2025-04-23T11:54:22Z) - 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$)、平均正方形誤差(MSE)、平均絶対誤差(MAE)の点で優れたサンプル外予測性能を示した。
論文 参考訳(メタデータ) (2024-09-30T23:53:54Z) - The Hybrid Forecast of S&P 500 Volatility ensembled from VIX, GARCH and LSTM models [0.0]
本研究では,S&P500のボラティリティ予測の精度を向上させるための4つの方法を検討する。
機械学習アプローチ,特にハイブリッドLSTMモデルは,従来のGARCHモデルよりも大幅に優れていることがわかった。
この研究結果は、より正確なボラティリティ予測を達成するための貴重な洞察を提供する。
論文 参考訳(メタデータ) (2024-07-23T18:28:16Z) - Analyzing Currency Fluctuations: A Comparative Study of GARCH, EWMA, and
IV Models for GBP/USD and EUR/GBP Pairs [0.0]
グレートブリテンポンド(GBP)の値の変動について検討する。
本研究では,2組の日次リターンの20日間の変動を予測する上での有効性を評価するために,様々な数学的モデルを適用した。
実験の結果, GBP/USDペアでは, GARCHモデルの利用から最も正確なボラティリティ予測が得られた。
論文 参考訳(メタデータ) (2024-02-12T06:29:57Z) - Diffusion Variational Autoencoder for Tackling Stochasticity in
Multi-Step Regression Stock Price Prediction [54.21695754082441]
長期的地平線上での多段階の株価予測は、ボラティリティの予測に不可欠である。
多段階の株価予測に対する現在の解決策は、主に単一段階の分類に基づく予測のために設計されている。
深層階層型変分オートコーダ(VAE)と拡散確率的手法を組み合わせてセック2seqの株価予測を行う。
本モデルでは, 予測精度と分散性の観点から, 最先端の解よりも優れていることを示す。
論文 参考訳(メタデータ) (2023-08-18T16:21:15Z) - Empirical Asset Pricing via Ensemble Gaussian Process Regression [4.111899441919165]
我々のアンサンブル学習アプローチは、GPR推論に固有の計算複雑性を著しく減少させる。
本手法は,統計的,経済的に既存の機械学習モデルを支配している。
これは不確実な投資家にアピールし、S&P500を上回る等級と重み付けの予測対象ポートフォリオを圧倒的に上回っている。
論文 参考訳(メタデータ) (2022-12-02T09:37:29Z) - DeepVol: Volatility Forecasting from High-Frequency Data with Dilated Causal Convolutions [53.37679435230207]
本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。
実験結果から,提案手法は高頻度データからグローバルな特徴を効果的に学習できることが示唆された。
論文 参考訳(メタデータ) (2022-09-23T16:13:47Z) - Multivariate Probabilistic Forecasting of Intraday Electricity Prices
using Normalizing Flows [62.997667081978825]
ドイツでは、日内電気価格は通常、EPEXスポット市場の1日当たりの価格に異なる時間帯で変動する。
本研究は,日頭契約の日内価格差をモデル化する確率論的モデリング手法を提案する。
論文 参考訳(メタデータ) (2022-05-27T08:38:20Z) - Generative Temporal Difference Learning for Infinite-Horizon Prediction [101.59882753763888]
我々は、無限確率的地平線を持つ環境力学の予測モデルである$gamma$-modelを導入する。
トレーニングタイムとテストタイムの複合的なエラーの間には、そのトレーニングが避けられないトレードオフを反映しているかについて議論する。
論文 参考訳(メタデータ) (2020-10-27T17:54:12Z) - Hybrid Modelling Approaches for Forecasting Energy Spot Prices in EPEC
market [62.997667081978825]
EPEC市場におけるエネルギースポット価格予測のためのハイブリッドモデリング手法について検討する。
データは2013-2014年の電力価格、2015年のテストデータで提供された。
論文 参考訳(メタデータ) (2020-10-14T12:45:53Z) - Stock2Vec: A Hybrid Deep Learning Framework for Stock Market Prediction
with Representation Learning and Temporal Convolutional Network [71.25144476293507]
我々は、株式市場の日々の価格を予測するためのグローバルなハイブリッドディープラーニングフレームワークを開発することを提案した。
表現学習によって、私たちはStock2Vecという埋め込みを導きました。
我々のハイブリッドフレームワークは、両方の利点を統合し、いくつかの人気のあるベンチマークモデルよりも、株価予測タスクにおいてより良いパフォーマンスを達成する。
論文 参考訳(メタデータ) (2020-09-29T22:54:30Z) - Ensemble Forecasting for Intraday Electricity Prices: Simulating
Trajectories [0.0]
近年の研究では、時間単位のドイツの日内連続市場は弱い状態にあることが示されている。
時間内電力価格の確率予測は、トレーディングウィンドウ毎に軌跡をシミュレートして行う。
この調査は、過去3時間でドイツの日内連続市場における価格分布を予測することを目的としているが、このアプローチは、特にヨーロッパでは、他の連続市場への適用を可能にする。
論文 参考訳(メタデータ) (2020-05-04T10:21:20Z)
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。