論文の概要: Degree of Irrationality: Sentiment and Implied Volatility Surface

• arxiv url: http://arxiv.org/abs/2405.11730v1
• Date: Mon, 20 May 2024 02:24:36 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-21 14:33:17.407730
• Title: Degree of Irrationality: Sentiment and Implied Volatility Surface
• Title（参考訳）: 不合理性の度合い:感度とインプリート揮発性表面
• Authors: Jiahao Weng, Yan Xie,
• Abstract要約: 毎日の高周波感情データを構築し,VAR法を用いてインプリッドボラティリティ表面の予測を行った。 その結果、高頻度の感情はATMオプションのボラティリティと強い相関関係があることが判明した。 我々は,この感情情報を組み込むことで,刺激された揮発性表面の予測精度を向上させることを実証した。
• 参考スコア（独自算出の注目度）: 0.276240219662896
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this study, we constructed daily high-frequency sentiment data and used the VAR method to attempt to predict the next day's implied volatility surface. We utilized 630,000 text data entries from the East Money Stock Forum from 2014 to 2023 and employed deep learning methods such as BERT and LSTM to build daily market sentiment indicators. By applying FFT and EMD methods for sentiment decomposition, we found that high-frequency sentiment had a stronger correlation with at-the-money (ATM) options' implied volatility, while low-frequency sentiment was more strongly correlated with deep out-of-the-money (DOTM) options' implied volatility. Further analysis revealed that the shape of the implied volatility surface contains richer market sentiment information beyond just market panic. We demonstrated that incorporating this sentiment information can improve the accuracy of implied volatility surface predictions.
• Abstract（参考訳）: 本研究では,毎日の高周波感情データを構築し,VAR法を用いて翌日のインプリート変動面の予測を試みた。 2014年から2023年にかけて、East Money Stock Forumから63万件のテキストデータを収集し、BERTやLSTMといったディープラーニング手法を用いて毎日の市場評価指標を構築しました。 FFT法とEMD法を併用することにより、高頻度の感情はATM(ATM)オプションのインプット・ボラティリティと強く相関し、低頻度の感情はより深いアウト・オブ・ザ・モニー(DOTM)オプションのインプティブ・ボラティリティと強く相関していた。 さらに分析したところ、インプリッドボラティリティ表面の形状は、単に市場のパニックを超えた、より豊かな市場の感情情報を含んでいることがわかった。 我々は,この感情情報を組み込むことで,刺激された揮発性表面の予測精度を向上させることを実証した。

関連論文リスト

• When AI Meets Finance (StockAgent): Large Language Model-based Stock Trading in Simulated Real-world Environments [55.19252983108372]
  LLMによって駆動される、StockAgentと呼ばれるマルチエージェントAIシステムを開発した。 StockAgentを使えば、ユーザーはさまざまな外部要因が投資家取引に与える影響を評価することができる。 AIエージェントに基づく既存のトレーディングシミュレーションシステムに存在するテストセットのリーク問題を回避する。
  論文  参考訳（メタデータ） (2024-07-15T06:49:30Z)
• 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)
• Deep Learning Enhanced Realized GARCH [6.211385208178938]
  本稿では,深層学習(LSTM)とボラティリティ対策の併用によるボラティリティモデリングの新しい手法を提案する。 このLSTMで強化されたGARCHフレームワークは、金融経済学、高周波取引データ、ディープラーニングによるモデリングの進歩を取り入れ、蒸留する。
  論文  参考訳（メタデータ） (2023-02-16T00:20:43Z)
• 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)
• 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)
• Stock Price Prediction Under Anomalous Circumstances [81.37657557441649]
  本稿では,異常な状況下での株価の変動パターンを捉えることを目的とする。 ARIMAとLSTMのモデルは、シングルストックレベル、業界レベル、一般市場レベルでトレーニングします。 2016年から2020年にかけての100社の株価に基づいて、平均予測精度は98%に達した。
  論文  参考訳（メタデータ） (2021-09-14T18:50:38Z)
• Deep Stochastic Volatility Model [3.3970049571884204]
  本論文では, 深部潜在変数モデルの枠組みに基づく深部ボラティリティモデル(DSVM)を提案する。 フレキシブルなディープラーニングモデルを使用して、過去のリターンに対する将来のボラティリティの依存性を自動的に検出する。 実データ分析では、DSVMはいくつかの一般的な代替ボラティリティモデルよりも優れています。
  論文  参考訳（メタデータ） (2021-02-25T03:25:33Z)
• A Sentiment Analysis Approach to the Prediction of Market Volatility [62.997667081978825]
  金融ニュースとツイートから抽出された感情とFTSE100の動きの関係を調べました。 ニュース見出しから得られた感情は、市場のリターンを予測するシグナルとして使われる可能性があるが、ボラティリティには当てはまらない。 我々は,新たな情報の到着に応じて,市場の変動を予測するための正確な分類器を開発した。
  論文  参考訳（メタデータ） (2020-12-10T01:15:48Z)
• Option Hedging with Risk Averse Reinforcement Learning [34.85783251852863]
  リスク回避型強化学習がヘッジオプションにどのように使用できるかを示す。 我々は,バニラオプションヘッジ環境に最先端のリスク逆アルゴリズムを適用した。
  論文  参考訳（メタデータ） (2020-10-23T09:08:24Z)
• Predictive intraday correlations in stable and volatile market environments: Evidence from deep learning [2.741266294612776]
  我々は、S&P500株間のラタグ相関を学習・活用するためにディープラーニングを適用し、安定市場と不安定市場のモデル行動を比較する。 以上の結果から,アキュラシーは有意でありながら,予測地平線が短いほど低下することが示唆された。 ポートフォリオマネージャのための調査ツールとしての現代金融理論と作業の適用性について論じる。
  論文  参考訳（メタデータ） (2020-02-24T17:19:54Z)

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。