論文の概要: Stochastic Volatility Modelling with LSTM Networks: A Hybrid Approach for S&P 500 Index Volatility Forecasting

• arxiv url: http://arxiv.org/abs/2512.12250v1
• Date: Sat, 13 Dec 2025 09:21:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.184565
• Title: Stochastic Volatility Modelling with LSTM Networks: A Hybrid Approach for S&P 500 Index Volatility Forecasting
• Title（参考訳）: LSTMネットワークを用いた確率的ボラティリティモデリング:S&P 500指数ボラティリティ予測のハイブリッドアプローチ
• Authors: Anna Perekhodko, Robert Ślepaczuk,
• Abstract要約: 本研究では、ボラティリティモデルとLong Short Term Memory Neural Networkを統合したハイブリッドモデリングフレームワークを提案する。 SVモデルは統計的精度を向上し、特に予期せぬ事象に対する潜在ボラティリティのダイナミクスを捉える。 LSTMネットワークは、金融時系列における複雑な非線形パターンを検出するモデルの能力を高める。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Accurate volatility forecasting is essential in banking, investment, and risk management, because expectations about future market movements directly influence current decisions. This study proposes a hybrid modelling framework that integrates a Stochastic Volatility model with a Long Short Term Memory neural network. The SV model improves statistical precision and captures latent volatility dynamics, especially in response to unforeseen events, while the LSTM network enhances the model's ability to detect complex nonlinear patterns in financial time series. The forecasting is conducted using daily data from the S and P 500 index, covering the period from January 1 1998 to December 31 2024. A rolling window approach is employed to train the model and generate one step ahead volatility forecasts. The performance of the hybrid SV-LSTM model is evaluated through both statistical testing and investment simulations. The results show that the hybrid approach outperforms both the standalone SV and LSTM models and contributes to the development of volatility modelling techniques, providing a foundation for improving risk assessment and strategic investment planning in the context of the S and P 500.
• Abstract（参考訳）: 銀行、投資、リスク管理には正確なボラティリティ予測が不可欠である。 本研究では,確率的ボラティリティモデルとLong Short Term Memory Neural Networkを統合したハイブリッド・モデリング・フレームワークを提案する。 SVモデルは統計的精度を向上し、特に予期せぬ出来事に応答して潜時ボラティリティのダイナミクスを捉え、LSTMネットワークは金融時系列における複雑な非線形パターンを検出するモデルの能力を高める。 予測は1998年1月1日から2024年12月31日までのSとP500指数の日次データを用いて行われる。 ローリングウインドウアプローチは、モデルをトレーニングし、ボラティリティ予測の1ステップ前に生成する。 SV-LSTMハイブリッドモデルの性能は,統計的試験と投資シミュレーションの両方を用いて評価する。 その結果,このハイブリッドアプローチは,SとP500の文脈におけるリスク評価と戦略的投資計画を改善する基盤として,スタンドアロンのSVモデルとLSTMモデルの両方より優れており,ボラティリティモデリング技術の開発に寄与していることが明らかとなった。

関連論文リスト

• Spatiotemporal Forecasting as Planning: A Model-Based Reinforcement Learning Approach with Generative World Models [45.523937630646394]
  本研究では,モデルベース強化学習における新たなパラダイムであるSFP予測・アズ・プランニング(SFP)を提案する。 SFPは、多様な高時間将来の状態をシミュレートし、「想像に基づく」環境シミュレーションを可能にする新しい世界モデルを構築している。
  論文  参考訳（メタデータ） (2025-10-05T03:57:38Z)
• Stock Price Prediction Using a Hybrid LSTM-GNN Model: Integrating Time-Series and Graph-Based Analysis [4.833815605196965]
  本稿では、長寿命メモリ(LSTM)ネットワークとグラフニューラルネットワーク(GNN)を統合した新しいハイブリッドモデルを提案する。 LSTMコンポーネントは、株価データの時間的パターンを積極的に捉え、金融市場の時系列ダイナミクスを効果的にモデル化する。 実験の結果, LSTM-GNNモデルでは平均2乗誤差(MSE)が0.00144であることがわかった。
  論文  参考訳（メタデータ） (2025-02-19T15:09:13Z)
• Forecasting S&P 500 Using LSTM Models [0.0]
  本報告では,S&P500指数の予測におけるARIMAモデルとLSTMモデルの比較を行った。 平均絶対誤差(MAE)とルート平均正方形誤差(RMSE)を用いてこれらのモデルを評価する。 LSTMモデルはシーケンシャルな処理能力を利用して、369.32のMAE、412.84のRMSE、92.6%の精度でARIMAを上回った。
  論文  参考訳（メタデータ） (2025-01-29T01:31:56Z)
• 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)
• An Evaluation of Deep Learning Models for Stock Market Trend Prediction [0.3277163122167433]
  本研究では,S&P 500指数とブラジルETF EWZの日時閉値を用いた短期トレンド予測のための先進的なディープラーニングモデルの有効性について検討した。 時系列予測に最適化されたxLSTM適応であるxLSTM-TSモデルを導入する。 テストされたモデルの中で、xLSTM-TSは一貫して他のモデルよりも優れており、例えば、テスト精度72.82%、F1スコア73.16%をEWZの日次データセットで達成している。
  論文  参考訳（メタデータ） (2024-08-22T13:58:55Z)
• 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)
• 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)
• 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)
• 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。