Авторы

Рекуррентная нейросеть на основе смешанной GARCH для прогнозирования финансовой волатильности

Данная статья посвящена развитию математических моделей волатильности цен на финансовых рынках с акцентом на моделях семейства ­GARCH. В статье предложено рассмотреть эти модели с новой точки зрения: как рекуррентные, а не авторегрессионные. Основная идея заключается в том, что эконометрические модели ­GARCH могут быть интерпретированы как рекуррентные нейросети, особенно после внедрения функции активации в уравнение динамики дисперсии. Актуальность исследования обусловлена постоянной потребностью в улучшении точности прогнозирования волатильности цен на современных финансовых рынках, особенно в контексте российской финансовой системы, где точные прогнозы играют ключевую роль в принятии финансовых решений. Цель исследования – оценка возможности представления моделей ­GARCH в виде рекуррентных нейросетей и оценка их применимости для прогнозирования волатильности цен на российских финансовых рынках. Основные задачи – разработка и тестирование рекуррентных нейросетей на основе ­GARCH, объединяющих преимущества эконометрических моделей и моделей машинного обучения. В статье предложена модификация стандартной модели ­GARCH – модель ­GARCH-­RNN, которая представляет собой рекуррентную нейросеть с многомерным скрытым состоянием и функцией активации Re­LU. Использованные методы включают эконометрический анализ волатильности цен и сравнение точности ее прогнозирования на данных Московской биржи с использованием моделей ­GARCH и ­GARCH-­RNN. Результаты экспериментов на указанных данных показали, что модель ­GARCH-­RNN обеспечивает точность прогноза волатильности, сопоставимую с точностью традиционных моделей ­GARCH. По результатам исследования подтвержден потенциал нового подхода для прогнозирования волатильности на финансовых рынках в России, открывая перспективы для улучшения прогнозов и принятия обоснованных решений на рынке. Читать дальше...