HAR-RV-J與遞歸神經網絡(RNN)混合模型預測和交易大型股票指數|附代碼數據

2023-11-21     tecdat拓端

原標題:HAR-RV-J與遞歸神經網絡(RNN)混合模型預測和交易大型股票指數|附代碼數據

原文連結:http://tecdat.cn/?p=5277

最近我們被客戶要求撰寫關於遞歸神經網絡的研究報告,包括一些圖形和統計輸出。

本文分析了S&P500指數和SPY ETF,VIX指數和VXX ETN的波動率的可預測性和可交易性。儘管已有大量關於預測高頻波動的文獻,但大多數僅根據統計誤差評估預測

實際上,這種分析只是對預測的實際經濟意義的一個小的指示。因此,在我們的方法中,我們還通過交易適當的波動率衍生品來測試我們的預測。

簡介

波動性在資產定價和分配以及風險管理中起著核心作用,例如風險價值(VaR)與期望損失(ES)。對計量經濟學家,統計學家和從業者來說,建模和預測波動性非常重要。然而,傳統的廣義自回歸條件異方差(GARCH)和隨機波動率(SV)模型的應用並不適合用於使用高頻數據的應用。

本文將HAR-RV-J與遞歸神經網絡(RNN)和混合 HAR-RV-J- RNN模型進行比較,以預測波動性,從而分析預測性。

循環神經網絡

人工神經網絡是一種功能強大的非參數工具,用於信號濾波,模式識別和插值,也可以容忍有誤差的數據,並找到模型參數之間的非線性關聯 。大多數計量經濟模型是通過捕獲時間序列的特定特徵(例如長記憶)或假設變量之間的函數關係而開發的,人工神經網絡的主要優點是它們包含非線性並包含所有變量。

具有一個隱藏層的單輸出RNN模型

混合模型

混合模型也被設計為RNN。但是,作為附加輸入,我們將線性模型的預測提供給RNN。我們還保留了四個基

輸入。因此,在混合模型的情況下,輸入的總數增加到5。

所有其他模型參數保持不變。具體地,如上確定隱藏神經元的數量。此外,模型架構保持相同。

使用混合模型的動機源於希望利用每個模型。通過將線性預測提供給RNN,我們可以從預測任務中刪除任何線性分量。這應該為更好地匹配線性預測誤差的非線性殘差留出更多空間。

數據

我們的基礎數據集包括來自於1996年1月2日至2016年6月2日開始的標準普爾500指數。

結果

每日S&P500 RV。注意:頂部面板分別顯示每日實現的波動率及其對數變換,和。下面的圖表顯示了跳轉成分,和

結論

本文分析了異質自回歸模型的潛力,包括跳躍預測實現波動率(RV)。對於這種方法,我們根據標準普爾500指數的5年日內數據的20年歷史計算RV。我們的結果表明,基礎HAR-RV-J模型確實能夠提供令人滿意的RV預測。

有問題歡迎聯繫我們!

本文摘選 R語言HAR-RV-J與遞歸神經網絡(RNN)混合模型預測和交易大型股票指數的高頻波動率 ,點擊「閱讀原文」獲取全文完整資料。

點擊標題查閱往期內容

R語言預測期貨波動率的實現:ARCH與HAR-RV與GARCH,ARFIMA模型比較

PYTHON用GARCH、離散隨機波動率模型DSV模擬估計股票收益時間序列與蒙特卡洛可視化

極值理論 EVT、POT超閾值、GARCH 模型分析股票指數VaR、條件CVaR:多元化投資組合預測風險測度分析

Garch波動率預測的區制轉移交易策略

金融時間序列模型ARIMA 和GARCH 在股票市場預測應用

時間序列分析模型:ARIMA-ARCH / GARCH模型分析股票價格

R語言風險價值:ARIMA,GARCH,Delta-normal法滾動估計VaR(Value at Risk)和回測分析股票數據

R語言GARCH建模常用軟體包比較、擬合標準普爾SP 500指數波動率時間序列和預測可視化

Python金融時間序列模型ARIMA 和GARCH 在股票市場預測應用

MATLAB用GARCH模型對股票市場收益率時間序列波動的擬合與預測R語言GARCH-DCC模型和DCC(MVT)建模估計

Python 用ARIMA、GARCH模型預測分析股票市場收益率時間序列

R語言中的時間序列分析模型:ARIMA-ARCH / GARCH模型分析股票價格

R語言ARIMA-GARCH波動率模型預測股票市場蘋果公司日收益率時間序列

Python使用GARCH,EGARCH,GJR-GARCH模型和蒙特卡洛模擬進行股價預測

R語言時間序列GARCH模型分析股市波動率

R語言ARMA-EGARCH模型、集成預測算法對SPX實際波動率進行預測

matlab實現MCMC的馬爾可夫轉換ARMA - GARCH模型估計

Python使用GARCH,EGARCH,GJR-GARCH模型和蒙特卡洛模擬進行股價預測

使用R語言對S&P500股票指數進行ARIMA + GARCH交易策略

R語言用多元ARMA,GARCH ,EWMA, ETS,隨機波動率SV模型對金融時間序列數據建模

R語言股票市場指數:ARMA-GARCH模型和對數收益率數據探索性分析

R語言多元Copula GARCH 模型時間序列預測

R語言使用多元AR-GARCH模型衡量市場風險

R語言中的時間序列分析模型:ARIMA-ARCH / GARCH模型分析股票價格

R語言用Garch模型和回歸模型對股票價格分析

GARCH(1,1),MA以及歷史模擬法的VaR比較

matlab估計arma garch 條件均值和方差模型R語言POT超閾值模型和極值理論EVT分析

R語言極值推斷:廣義帕累托分布GPD使用極大似然估計、輪廓似然估計、Delta法

R語言極值理論EVT:基於GPD模型的火災損失分布分析

R語言有極值(EVT)依賴結構的馬爾可夫鏈(MC)對洪水極值分析

R語言POT超閾值模型和極值理論EVT分析

R語言混合正態分布極大似然估計和EM算法

R語言多項式線性模型:最大似然估計二次曲線

R語言Wald檢驗 vs 似然比檢驗

R語言GARCH-DCC模型和DCC(MVT)建模估計

R語言非參數方法:使用核回歸平滑估計和K-NN(K近鄰算法)分類預測心臟病數據

matlab實現MCMC的馬爾可夫轉換ARMA - GARCH模型估計

R語言基於Bootstrap的線性回歸預測置信區間估計方法

R語言隨機搜索變量選擇SSVS估計貝葉斯向量自回歸(BVAR)模型

Matlab馬爾可夫鏈蒙特卡羅法(MCMC)估計隨機波動率(SV,Stochastic Volatility) 模型

Matlab馬爾可夫區制轉換動態回歸模型估計GDP增長率R語言極值推斷:廣義帕累托分布GPD使用極大似然估計、輪廓似然估計、Delta法

文章來源: https://twgreatdaily.com/42012499036d512e8a761e21d8d27fac.html