Статьи, Журналы
Гибридные подходы к прогнозированию реализованной волатильности ETF
Статьи, Журналы
Гибридные подходы к прогнозированию реализованной волатильности ETF
Патласов, Д.А. Гибридные подходы к прогнозированию реализованной волатильности ETF : глубокое обучение и теорема восстановления / Д. А. Патласов // Экономический журнал Высшей школы экономики. — Москва, 2025 — N 1. Том 29. — С.103-131. — Библиогр. в конце ст.
Поделиться
Вконтакте 
Одноклассники 
Telegram Источник
Аннотация
В данной статье исследуется задача многошагового прогнозирования реализованной волатильности. В работе вводится модификация функции потерь вида квантильный лог-гиперболический косинус (quantile log-cosh), также в качестве экзогенных факторов используется информация, извлекаемая из опционов с помощью теоремы восстановления [Ross, 2015] в контексте задачи прогнозирования реализованной волатильности торгуемых биржевых фондов (Exchange-Traded Fund, ETF) SPY (SPDR S&P 500 ETF Trust) и QQQ (Invesco QQQ Trust). Ставятся две гипотезы: первая предполагает, что quantile logcosh в нейронных сетях повысит точность предиктивной модели на тестовом наборе данных по сравнению с теми же моделями, обучаемыми на других целевых функциях. Вторая гипотеза заключается в использовании информации, извлекаемой из теоремы восстановления. Данная теорема позволяет аппроксимировать истинную плотность распределения состояний SPY и QQQ в терминах марковских цепей и избавиться от предпосылок риск-нейтральной меры в финансовых моделях. Тогда по второй гипотезе ожидается, что модель с факторами, извлеченными с помощью теоремы восстановления, будет показывать более точные прогнозы на тестовой выборке по сравнению с классической моделью гетерогенной авторегрессии (Heterogeneous Autoregressive Model for Realized Volatility, HAR-RV). Для проверки гипотез используются следующие модели машинного обучения: LSTM, GRU, BiLSTM, BiGRU, FCNN и N-BEATS. Результаты показывают, что модификация quantile log-cosh позволяет улучшить точность предсказаний моделей на тестовом наборе данных. Также включение в модели прогнозирования реализованной волатильности экзогенных факторов из теоремы восстановления позволяет значительно превзойти модель HAR-RV, особенно на долгосрочном горизонте.
Ключевые слова
- #финансовый сектор
- #фондовый рынок
- #финансовые инструменты
- #активы финансовые
- #волатильность
- #прогнозирование
- #прогнозные модели
- #прогнозные расчеты
- #биржевые фонды
- #нейронные сети
- #нейросетевое моделирование
- #нейросетевые технологии
- #машинное обучение
- #финансовые модели
- #опцион
- #теорема восстановления
- #функция потерь
- #экономико-математические методы
- #экономико-математические модели
- #анализ данных
-
УДК:336.76
Рекомендовано к ознакомлению
- 1. Митрюхина, Е.А. Сравнение методов машинного обучения и нейронных сетей при прогнозировании фондового рынка / Е. А. Митрюхина, А. И. Ладынин // Экономические науки. Научно-информационный журнал. — Москва, 2025 — N 9. — С.289-300.
- 2. Ерохин, В.В. Прогнозирование панических распродаж в составе финансовых портфелей на бирже / В. В. Ерохин // Экономика и управление: проблемы, решения. — Москва, 2025 — Т. 2. № 9. — С.135-148.
- 3. Данилов, Ю.А. Финансовая инклюзия и финансовая стабильность / Ю. А. Данилов, Д. А. Пивоваров // Проблемы прогнозирования. — Москва, 2025 — N 5. — С.101-114.
- 4. Войко, Д.В. Применимость моделей устойчивого роста для прогнозирования эффективности IPO компании / Д. В. Войко, А. В. Войко, Е. Ю. Афанасьева // Финансовый менеджмент. — Москва, 2025 — N 8. — С.321-330.
- 5. Караев, А.К. Нелинейная динамика между ценой на золото и индексом доллара США (2020-2025 гг.) / А. К. Караев, Е. Г. Сидин, Л. Х. Гуева // Экономическое развитие России. — Москва, 2025 — N 10. — С.257-262.
- 6. Юдин, И.Б. Кто кем управляет?: Экономико-социологический взгляд на связь численности инвесторов и динамики фондового рынка / И. Б. Юдин // Вопросы экономики. — Москва, 2025 — N 4. — С.94-111.
- 7. Андрукович, П.Ф. Объективные и субъективные факторы в динамике фондовых индексов / П. Ф. Андрукович // Экономика и математические методы. — Москва, 2025 — N 4. Том 61. — С.5-17.
- 8. Дарчев, К.А. Влияние динамики акционерного капитала на ценообразование облигаций / К. А. Дарчев // Финансовая аналитика. — Москва, 2025 — N 4. — С.74-87.
- 9. Савон, Д.Ю. Применение Value at Risk на длительных временных горизонтах / Д. Ю. Савон, А. А. Юлий // Финансы и кредит. — Москва, 2025 — N 6. Том 31. — С.148-161.
- 10. Молотков, А.Б. Модель оценки краткосрочной доходности акций (индекс S&P 500) / А. Б. Молотков // Финансовая аналитика. — Москва, 2025 — N 4. — С.53-64.
Отзывы читателей
0