Nov, 2023

使用高斯过程 (GPs) 进行高频交易的短期波动率估计

PDF
TL;DR这篇论文研究了如何利用数值和概率模型进行高频交易的短期波动率和回报预测，通过在 Numerical Market Prediction 模型的输出上应用高斯过程，使用修正后的股价数据建立了一个被审查的高斯过程模型，评估了预测误差。
发现论文，激发创造
  • 利用波动性核和移动平均均值的高斯过程精准预测

    提出了一种将随机波动模型更改为具有特殊协方差函数的分层高斯过程模型的方法，使其可以根据历史数据产生真正的后验分布，同时还将基于大量已研究的领域的启发式设计用于多任务学习，实现了比基线模型更好的股票和风速预测。

    Jul, 2022

  • 高斯过程波动率模型

    使用高斯过程的贝叶斯方法预测金融数据中的时间变化方差，相较于标准模型，新模型具有更高的预测性能。

    Feb, 2014

  • 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

  • 利用高斯过程提升均值回归时间序列预测：金融预测中的功能性和增强数据结构

    本研究使用高斯过程（GPs）探索了对具有基本结构的均值回归时间序列进行预测的应用，使用相对未开发的函数和增强数据结构。通过模拟数据，我们可以将预测分布与测试集的实际分布进行比较，从而减少对实际数据进行时间序列模型测试时固有的不确定性。

    Feb, 2024

  • 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

  • 基于图形多视角建模的长期、短期和突发事件：交易量动态预测

    我们提出了一种基于图的方法，可以将多个视角的信息有机地融合在一起，利用深度规范化分析技术来更好地预测金融市场中交易量的变化情况，并在实验中表现出色。

    Aug, 2021

  • 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

  • 利用外生变量和机器学习算法进行短期股票价格预测

    追溯 2020 年 3 月至 2022 年 5 月的短期内，该研究比较了四种机器学习模型在预测纽约证券交易所三支知名股票的准确性，并发现 XGBoost 模型虽然运行时间较长（最多 10 秒），但提供了最高的准确性。

    May, 2023

  • 金融时间序列波动性预测中深度序列模型的基准测试

    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

    Nov, 2018

  • 结构性断点下天然气价格的区间预测：统计模型与神经网络

    研究了使用现代机器学习方法（如神经网络）与统计模型（如 ARMA 模型和时序模型）进行对比，发现在气体价格冲击期间，简单模型表现更好，并且长期短期神经网络被竞争对手超越。

    Jul, 2024