Nov, 2023

从反应式到主动式波动建模：半球神经网络的应用

PDF
TL;DR我们通过具有专门的均值和方差半球的新型神经网络架构，给宏观经济密度预测重新注入了最大似然估计（MLE）。我们的架构具有几个关键要素，在这个背景下使 MLE 工作。
maximum likelihood estimationmacroeconomic density forecastingneural network architecturevolatility forecastingdeep learning models
发现论文，激发创造
  • 变分异方差波动模型

    本研究提出了一种名为 VHVM 的端到端神经网络体系结构，能够对多元金融时间序列中的异方差行为进行建模，并在多元外汇数据集上展示了其对比 GARCH 和 SV 模型的有效性。

    Apr, 2022

  • 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

  • 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

  • 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

  • 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

  • 基于图神经网络的多元实现波动率预测与溢出效应

    我们提出了一种新颖的方法来建模和预测多元实现波动率，使用定制的图神经网络来整合股票之间的溢出效应。该模型通过整合多跳邻居的溢出效应、捕捉非线性关系和灵活地使用不同的训练损失函数，具有很多优势。实证结果表明，仅仅考虑多跳邻居的溢出效应并不能明显提高波动率的预测准确性。然而，建模非线性溢出效应能够显著提高实现波动率的预测准确性，特别是对于短期（一周以内）的预测。此外，我们的结果一致表明，使用准似然损失函数进行训练相比常用的均方误差损失函数能够大幅提高模型性能。在替代性设置下进行的一系列实证评估证实了我们结果的稳健性。

    Aug, 2023

  • 用神经网络学习哈密顿系统的轨迹

    本文提出了一种使用提高了的积分方案的 Hamilton 神经网络，结合使用深度隐藏的物理模型来对保守系统进行数值模拟的方法，可以成功处理低采样率、嘈杂和不准确观测值。

    Apr, 2022

  • 将先前的金融领域知识整合到神经网络中进行隐含波动率曲面预测

    本文提出了一种全新的神经网络模型来预测隐含波动率，该模型融入了金融领域的先验知识和考虑到波动率微笑的激活函数，并将无套利条件、边界和渐近斜率等金融条件嵌入到损失函数中进行训练。该模型在 S&P 500 指数上 20 年的期权数据方面优于基准模型，更重要的是，域知识得到了经验确认，表明该模型与现有的金融理论和涉及到隐含波动率面的条件相一致。

    Apr, 2019

  • 期权定价的机器学习：对网络架构的实证研究

    本文考虑了通过监督学习来学习期权价格或隐含波动率的问题，并发现在所选择的网络体系结构方面使用广义高速公路网络的精度比其它变体高，对于计算隐含波动率，采用变换后的 DGM 架构是最优的。

    Jul, 2023

  • 具有更灵活记忆的循环神经网络：相较于粗糙波动性更好的预测

    我们将循环神经网络扩展到包含几个灵活的时间尺度，这在机械上提高了它们对具有长期记忆或高度不同时间尺度进程的处理能力。通过比较普通和扩展的长短期记忆网络（LSTMs）在预测已知具有长期记忆的资产价格波动性方面的能力，我们发现扩展的 LSTMs 所需的训练时期减少了一半，而具有相同超参数的模型的验证和测试损失的变化要小得多。我们还展示了在多时间序列数据集上进行训练和测试时，验证损失最小的模型相对于粗略波动性预测的表现普遍提高了大约 20％。

    Aug, 2023