NIPSNov, 2018

金融时间序列波动性预测中深度序列模型的基准测试

PDF
TL;DR本文探讨了通过利用深度学习的结构，对股价波动进行建模的可行性，并针对 2018 天中的 1314 个股票序列，通过负对数似然度量对现实世界的股票时间序列的实验进行比较，结果表明，与 GARCH 家族的各种常用确定性模型和最近提出的几个随机模型相比，包括扩展 CNN 和扩展循环神经网络等扩展神经模型产生了最准确的估计和预测
volatilitydeep learningsequential modelsstock price predictiondilated neural models
发现论文，激发创造
  • 神经随机波动率模型

    这篇论文展示了最近将统计模型与深度循环神经网络相结合提供了一种描述波动度（时间序列的变化程度）模型的新方法，其中包含了一对互补随机循环神经网络，应用在金融领域的时间序列分析和预测。在实现的过程中，作者着重处理了基于随机循环神经网络的波动度动态变化。实际基于股票价格数据的实验证明，这个模型的波动度预测比其他流行模型例如确定性模型 (GARCH)、基于 MCMC 的模型 (stochvol) 和高斯波动过程模型 (GPVol) 有更高的可靠性。

    Nov, 2017

  • 使用多元数据比较深度学习模型进行波动率预测

    该研究旨在比较基于深度学习的多变量数据预测模型在波动率预测方面的表现，结果表明 Temporal Fusion Transformer 优于传统方法和浅层网络，因此鼓励将其应用到实践中。

    Jun, 2023

  • 应用深度学习校准随机波动率模型

    基于深度学习技术的差分深度学习（DDL）方法应用于 Heston 模型下的欧式期权定价与标定，DDL 技术通过快速训练和准确的定价显著减少了 Heston 模型的标定计算时间，并表现优于传统深度学习方法。

    Sep, 2023

  • 使用 CNN 和 LSTM 的深度学习模型 robust 分析股票价格时序

    本研究基于印度国家股票交易所（NSE）中一家著名公司自 2012 年 12 月 31 日至 2015 年 1 月 9 日间五分钟间隔的股票价格历史数据，构建了四个卷积神经网络（CNN）和五个长短时记忆（LSTM）深度学习模型，精确预测未来的股票价格，并提供了这些模型的执行时间和均方根误差（RMSE）的详细预测准确性结果。

    Nov, 2020

  • DeepVol: 通用资产波动率建模的深度迁移学习方法

    DeepVol 是一种新的深度学习波动率模型，通过迁移学习的方法，可以有效地捕捉和建模所有金融资产的波动率动态，包括以前未见到的资产，使用单个通用模型，相较于传统的计量经济模型，DeepVol 能更好地模拟各种数据集的波动率，并为金融行业的波动率建模和预测开辟了新的途径，可能改变人们对波动率的理解和预测方式。

    Sep, 2023

  • 使用基于订单流的深度卷积神经网络进行短期波动率预测

    本研究使用卷积神经网络将市场信息编码成图像，以预测加密货币短期实现波动性。实验结果表明，该方法有潜力更好地捕捉市场动态和进行更好的波动性预测。

    Apr, 2023

  • 深度学习和 GARCH 模型结合的金融波动率和风险预测

    采用深度学习神经网络和 GARCH 时间序列模型的混合方法来预测金融工具的波动性和风险，研究发现混合模型能够提供更准确的点波动率预测，但不一定能转化为优越的风险预测。

    Oct, 2023

  • 从 GARCH 到神经网络的波动率预测

    通过在建立的神经网络体系结构中将 GARCH 模型的神经网络对应组件整合进去，本研究提出了名为 GARCH-NN 的创新方法，以融合 GARCH 模型中固有的波动特征，并证实将 GARCH 家族模型的神经网络对应组件与传统神经网络模型相结合可以带来比独立使用随机和神经网络模型更好的结果。

    Jan, 2024

  • 加密货币价格预测的深度学习模型评述：实施与评估

    通过评估多种深度学习模型，我们发现单变量 LSTM 模型变体在加密货币预测方面表现最佳，并对 COVID-19 期间的价格进行波动性分析。

    May, 2024

  • 基于时间序列分析的股票价格预测：机器学习和深度学习模型

    本研究利用统计学、机器学习和深度学习模型建立了一个强大而准确的股票价格预测框架，研究结果表明该多模型的结合方法可以从波动和随机的股票价格数据中有效地学习。

    Apr, 2020