HAR-RV-J与递归神经网络(RNN)混合模型预测和交易大型股票指数|附代码数据

2023-11-21     tecdat拓端

原标题:HAR-RV-J与递归神经网络(RNN)混合模型预测和交易大型股票指数|附代码数据

原文链接:http://tecdat.cn/?p=5277

最近我们被客户要求撰写关于递归神经网络的研究报告,包括一些图形和统计输出。

本文分析了S&P500指数和SPY ETF,VIX指数和VXX ETN的波动率的可预测性和可交易性。尽管已有大量关于预测高频波动的文献,但大多数仅根据统计误差评估预测

实际上,这种分析只是对预测的实际经济意义的一个小的指示。因此,在我们的方法中,我们还通过交易适当的波动率衍生品来测试我们的预测。

简介

波动性在资产定价和分配以及风险管理中起着核心作用,例如风险价值(VaR)与期望损失(ES)。对计量经济学家,统计学家和从业者来说,建模和预测波动性非常重要。然而,传统的广义自回归条件异方差(GARCH)和随机波动率(SV)模型的应用并不适合用于使用高频数据的应用。

本文将HAR-RV-J与递归神经网络(RNN)和混合 HAR-RV-J- RNN模型进行比较,以预测波动性,从而分析预测性。

循环神经网络

人工神经网络是一种功能强大的非参数工具,用于信号滤波,模式识别和插值,也可以容忍有误差的数据,并找到模型参数之间的非线性关联 。大多数计量经济模型是通过捕获时间序列的特定特征(例如长记忆)或假设变量之间的函数关系而开发的,人工神经网络的主要优点是它们包含非线性并包含所有变量。

具有一个隐藏层的单输出RNN模型

混合模型

混合模型也被设计为RNN。但是,作为附加输入,我们将线性模型的预测提供给RNN。我们还保留了四个基

输入。因此,在混合模型的情况下,输入的总数增加到5。

所有其他模型参数保持不变。具体地,如上确定隐藏神经元的数量。此外,模型架构保持相同。

使用混合模型的动机源于希望利用每个模型。通过将线性预测提供给RNN,我们可以从预测任务中删除任何线性分量。这应该为更好地匹配线性预测误差的非线性残差留出更多空间。

数据

我们的基础数据集包括来自于1996年1月2日至2016年6月2日开始的标准普尔500指数。

结果

每日S&P500 RV。注意:顶部面板分别显示每日实现的波动率及其对数变换,和。下面的图表显示了跳转成分,和

结论

本文分析了异质自回归模型的潜力,包括跳跃预测实现波动率(RV)。对于这种方法,我们根据标准普尔500指数的5年日内数据的20年历史计算RV。我们的结果表明,基础HAR-RV-J模型确实能够提供令人满意的RV预测。

有问题欢迎联系我们!

本文摘选 R语言HAR-RV-J与递归神经网络(RNN)混合模型预测和交易大型股票指数的高频波动率 ,点击“阅读原文”获取全文完整资料。

点击标题查阅往期内容

R语言预测期货波动率的实现:ARCH与HAR-RV与GARCH,ARFIMA模型比较

PYTHON用GARCH、离散随机波动率模型DSV模拟估计股票收益时间序列与蒙特卡洛可视化

极值理论 EVT、POT超阈值、GARCH 模型分析股票指数VaR、条件CVaR:多元化投资组合预测风险测度分析

Garch波动率预测的区制转移交易策略

金融时间序列模型ARIMA 和GARCH 在股票市场预测应用

时间序列分析模型:ARIMA-ARCH / GARCH模型分析股票价格

R语言风险价值:ARIMA,GARCH,Delta-normal法滚动估计VaR(Value at Risk)和回测分析股票数据

R语言GARCH建模常用软件包比较、拟合标准普尔SP 500指数波动率时间序列和预测可视化

Python金融时间序列模型ARIMA 和GARCH 在股票市场预测应用

MATLAB用GARCH模型对股票市场收益率时间序列波动的拟合与预测R语言GARCH-DCC模型和DCC(MVT)建模估计

Python 用ARIMA、GARCH模型预测分析股票市场收益率时间序列

R语言中的时间序列分析模型:ARIMA-ARCH / GARCH模型分析股票价格

R语言ARIMA-GARCH波动率模型预测股票市场苹果公司日收益率时间序列

Python使用GARCH,EGARCH,GJR-GARCH模型和蒙特卡洛模拟进行股价预测

R语言时间序列GARCH模型分析股市波动率

R语言ARMA-EGARCH模型、集成预测算法对SPX实际波动率进行预测

matlab实现MCMC的马尔可夫转换ARMA - GARCH模型估计

Python使用GARCH,EGARCH,GJR-GARCH模型和蒙特卡洛模拟进行股价预测

使用R语言对S&P500股票指数进行ARIMA + GARCH交易策略

R语言用多元ARMA,GARCH ,EWMA, ETS,随机波动率SV模型对金融时间序列数据建模

R语言股票市场指数:ARMA-GARCH模型和对数收益率数据探索性分析

R语言多元Copula GARCH 模型时间序列预测

R语言使用多元AR-GARCH模型衡量市场风险

R语言中的时间序列分析模型:ARIMA-ARCH / GARCH模型分析股票价格

R语言用Garch模型和回归模型对股票价格分析

GARCH(1,1),MA以及历史模拟法的VaR比较

matlab估计arma garch 条件均值和方差模型R语言POT超阈值模型和极值理论EVT分析

R语言极值推断:广义帕累托分布GPD使用极大似然估计、轮廓似然估计、Delta法

R语言极值理论EVT:基于GPD模型的火灾损失分布分析

R语言有极值(EVT)依赖结构的马尔可夫链(MC)对洪水极值分析

R语言POT超阈值模型和极值理论EVT分析

R语言混合正态分布极大似然估计和EM算法

R语言多项式线性模型:最大似然估计二次曲线

R语言Wald检验 vs 似然比检验

R语言GARCH-DCC模型和DCC(MVT)建模估计

R语言非参数方法:使用核回归平滑估计和K-NN(K近邻算法)分类预测心脏病数据

matlab实现MCMC的马尔可夫转换ARMA - GARCH模型估计

R语言基于Bootstrap的线性回归预测置信区间估计方法

R语言随机搜索变量选择SSVS估计贝叶斯向量自回归(BVAR)模型

Matlab马尔可夫链蒙特卡罗法(MCMC)估计随机波动率(SV,Stochastic Volatility) 模型

Matlab马尔可夫区制转换动态回归模型估计GDP增长率R语言极值推断:广义帕累托分布GPD使用极大似然估计、轮廓似然估计、Delta法

文章来源: https://twgreatdaily.com/zh-hans/42012499036d512e8a761e21d8d27fac.html