×
尤斯拉·巴卡利;穆罕默德·默兹奎伊;阿卜杜勒哈迪·阿卡里夫;阿卜杜拉·阿兹曼尼

使用已实现的GARCH模型和人工神经网络预测股票收益波动。 （英语） Zbl 1530.62031号

维斯特。尤日诺-乌拉尔。戈斯。州立大学。材料模型。程序。 16、4号、45-60（2023年）.
概述：波动率预测是风险管理、资产配置、期权定价和金融市场交易所必需的。它可以通过使用各种时间序列预测技术和人工神经网络（ANN）来实现。
目前的研究重点是利用高频数据对股市指数进行建模和预测。最近的一个高频波动率模型被称为Realized GARCH（RGARCH）模型，其中的关键特征是一个将已实现的度量与收益的条件方差联系起来的方程。这个方程包含了对冲击的不对称反应，提供了市场动态的高度灵活的表示。
本文提出了一种混合模型，其中ANN和RGARCH用于预测股票收益波动。该模型是通过将使用RGARCH计算的预测已实现波动率（RV）输入ANN而建立的。使用格兰杰因果检验选择人工神经网络的输入变量，以减少可能影响预测系统的噪声，以及可能由与股市波动性无统计关联的输入变量产生的噪声。
结果表明，根据RMSE和相关系数，基于递归神经网络（RNN）的混合模型在样本外评估方面优于RGARCH和HAR型模型。

MSC公司：

62P05号 统计学在精算科学和金融数学中的应用
62米10 统计学中的时间序列、自相关、回归等（GARCH）
62M20型 随机过程推断和预测
62M45型 神经网络及从随机过程推断的相关方法
68T07型 人工神经网络与深度学习

关键词：

波动;实现的GARCH模型;混合的;格兰杰因果检验
PDF格式BibTeX公司 XML格式引用
\textit{Y.Bakkali}等人，Vestn。尤日诺-乌拉尔。戈斯。州立大学。材料模型。程序。16、编号4、45-60（2023；Zbl 1530.62031）
全文： 内政部 MNR公司

参考文献：

[1] Engle R.F.，“英国通货膨胀方差估计的自回归条件异方差”，《计量经济学》，50（1982），987-1007·Zbl 0491.62099号 ·doi:10.2307/1912773
[2] Bollerslev T.，“广义自回归条件异方差”，《计量经济学杂志》，31:3（1986），307-327·Zbl 0616.62119号 ·doi:10.1016/0304-4076（86）90063-1
[3] Nelson D.B.，“资产回报中的条件异方差：一种新方法”，《计量经济学》，59:2（1991），347-370·Zbl 0722.62069号 ·doi:10.2307/2938260
[4] Eryilmaz F.M.，“股市波动建模：Bist-100案例”，《国际商业与金融杂志》，2:1（2015），37-53
[5] Andersen T.G.，Bollerslev T.，Diebold F.X.，Ebens H.，“已实现股票回报波动率的分布”，《金融经济学杂志》，61:1（2001），43-76·doi:10.1016/S0304-405X（01）00055-1
[6] Barndorff-Nielsen O.E.，Shephard N.，“已实现波动的计量分析及其在估计随机波动模型中的应用”，英国皇家统计学会杂志，64:2（2002），253-280·Zbl 1059.62107号 ·数字对象标识代码：10.1111/1467-9868.00336
[7] Hansen P.R.，Zhuo Huang，Shek H.H.，“已实现GARCH：收益和已实现波动性度量的联合模型”，《应用计量经济学杂志》，27:6（2012），877-906·doi:10.1002/jae.1234
[8] Barndorff-Nielsen O.E.，Shephard N.，“随机波动和跳跃的功率和双功率变化”，《金融计量经济学杂志》，2:1（2004），1-48·doi:10.1093/jjfinec/nbh001
[9] Lee S.S.，Mykland P.A.，“金融市场的跳跃：一种新的非参数测试和跳跃动力学”，《金融研究评论》，21:6（2008），2535-2563·doi:10.2139/ssrn.686372
[10] Ait-Sahalia Y.，Mancini L.，“二次变量的样本外预测”，《计量经济学杂志》，147:1（2008），17-33·Zbl 1429.62648号 ·doi:10.1016/j.jeconom.2008.09.015
[11] Boudt K.，Boudt P.，Brian G.，Croux C.，“非正常回报投资组合下行风险的估计与分解”，《风险杂志》，11:2（2008），79-103·doi:10.2139/ssrn.1024151
[12] Corsi F.，“实现波动的简单长记忆模型”，《金融计量经济学杂志》，7:2（2009），174-196·doi:10.1093/jjfinec/nbp001
[13] 张鹏，巴图沃E.，胡敏，“人工神经网络预测：最新进展”，《国际预测杂志》，14:1（1998），35-62·doi:10.1016/S0169-2070（97）00044-7
[14] Fausett L.，《神经网络基础》，Prentice-Hall，Hoboken，1994年·Zbl 0828.68107号
[15] 陆寻发，阙丹凤，曹桂，“基于混合人工神经网络和GARCH型模型的波动性预测”，《计算机科学》，91（2016），1044-1049·doi:10.1016/j.procs.2016.07.145
[16] Vortelinos D.I.，“预测实现的波动率：结合神经网络和GARCH的主成分HAR”，《国际商业与金融研究》，39（2017），824-839·doi:10.1016/j.ribaf.2015.01.004
[17] ArnericíJ.、ŠestanovicíT.、Teai J.，“使用高频数据预测实现方差的神经网络方法”，《商业系统研究杂志》，9:2（2018），18-34·doi:10.2478/bsrj-2018-0016
[18] 黄世峰，韩清辛，林玉军，“具有GARCH效应的网络自回归模型及其应用”，公共科学图书馆，16:7（2021），e0255422·doi:10.1371/journal.pone.0255422
[19] Granger C.，“通过计量经济学模型和交叉谱方法研究因果关系”，《计量经济学》，37:3（1969），424-438·Zbl 1366.91115号 ·doi:10.2307/1912791
[20] Funahashi K.，“用神经网络近似实现连续映射”，神经网络，2:3（1989），183-192·doi:10.1016/0893-6080（89）90003-8
[21] Hornik K.，Stinchcombe M.，White H.，“使用多层前馈网络对未知映射及其导数的通用逼近”，神经网络，3:5（1990），551-560·doi:10.1016/0893-6080（90）90005-6
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。