点击展开

大数据挖掘

OB电竞:振动率展望:深度进建VS古板计量模子
2022-03-31 20:05:52 | 来源:OB电竞官网 作者:ob电竞官网下载

  预测已完毕的振动率看待业务信号和头寸拘束至合要紧。诸如GARCH和HAR等计量经济学模子,以相当直观和透后的形式,遵循过去的收益预测将来的振动率。然而,递归神经汇集已成为一个要紧的角逐敌手。神经汇集是一种自适合机械练习办法,它操纵互相维系的神经元层。一层中的激活决策了下一层中的激活。神经汇集通过操练数据找到激活函数的权重和谬误来练习。递归神经汇集是一类为数据序列(如时光序列)修模而打算的神经汇集,格表是LSTM和GRU。神经汇集的上风正在于它可能灵动地包括纷乱的交互特质、非线性效应和各品种型的非价钱音讯。

  对与守旧计量模子(如GARCH)与深度练习模子(如LSTM),哪类模子预测的无误度更高,学术界不绝没有停留过说论,本文网罗了近几年合于LSTM用于振动预测的论文。为多人正在振动预测模子修模供应参考。

  “本文讨论和领会了各式非参数机械练习模子,通过操纵来自美国股市的高频数据来预测多资产的日内和逐日振动。结果阐明,欺骗日内振动的共性,可能明显降低模子的预测职能。即给定股票的已完毕振动率相看待商场已完毕振动率的线性回归中调动后的r平方值。虽然正在日内完毕振动率上的共性是宏大和牢固的,正在日度秤谌上的共性是跟着时光的推移而动荡。寻常来说,神经汇集优于其他模子,由于比拟守旧计量模子,神经汇集可能执掌预测特质之间的非线性干系,况且高维的特职可能更好地亲切未知或也许存正在的纷乱的逻辑。

  其它,为了缓解过分拟合的挂念,咱们实行了苛肃的样本表查验,欺骗已有的操练模子来预测操练样本中未包括的全新股票的振动率。咱们的结果显示,神经汇集已经优于其他办法(蕴涵为每只新股票操练的OLS模子)。

  本文讨论了一个齐备非参数模子是否可能正在预测已完毕振动率方面优于计量经济学办法,格表是对比领会时光序列模子的预测的无误性与多个神经汇集架构。正在这项讨论中操纵的数据集蕴涵寓目从1950年2月到2017年12月规范普尔(S&P)指数,此中振动率猜想通过过后衡量基于高频振动数据,即已完毕的振动率。

  轮回神经汇集的表示优于一切守旧的计量经济学办法。其它,通过LSTM缉捕长远依赖好似也可能降低正在高度振动时间的预测精度。

  本文运用了一个LSTM神经汇集来预测SP500指数的振动,将谷歌查找指数行为群多激情和宏观经济要素的目标。这项事情显示了深度练习金融时光序列正在强噪声存鄙人的潜力,并通过深度练习和神经汇集模子更好地预测股票举动。实践结果也表示,LSTM模子的预测精度明显优于守旧的计量模子,如GARCH模子。

  本文讨论了机械练习模子预测2007年至2016年光阴的23只纳斯达克股票振动率的上风和劣势。本文苛重比照了HAR-family模子和LSTM模子预测振动率的表示。HAR-family模子正在预测已完毕振动率一经有了普通的运用。LSTM模子苛重操纵了以下三品种型的数据:用于HAR-family模子的146个变量、订单流数据和信息激情数据。

  实践表示以LSTM为代表的机械练习模子比一切HAR-family模子有更强的预测才气。

  因为噪声、商场微观构造、异方差、信息表生和非对称效应以及差异时光标准的存正在等要素,振动率预测工作拥有出格大的纷乱性。本文讨论了LSTM和GRU类型的办法完毕振动率预测工作,并对比了神经汇集与普通运用的EWMA、HAR、GARCH家族模子的预测才气。LSTM优于该周围的著名模子,譬喻HAR-RV。样本表无误度测试阐明,LSTM正在这两品种型的商场中都拥有明显的上风。

  LSTM也有春天,固然正在收益预测上LSTM的表示并不如人意。但正在映现均值回归的振动率预测上,LSTM一经吊打了大个别守旧计量模子。

ob电竞官网下载
OB电竞官网

ob电竞官网下载

联系电话:176 0301 6881

邮箱:sales@finscm.com

OB电竞官网