Применение нейронных сетей архитектуры LSTM для моделирования волатильности фондового рынка
Автор: Патласов Д.А., Гарафутдинов Р.В.
Журнал: Вестник Пермского университета. Серия: Экономика @economics-psu
Рубрика: Математические, статистические и инструментальные методы в экономике
Статья в выпуске: 1 т.19, 2024 года.
Бесплатный доступ
Введение. Задача моделирования и прогнозирования волатильности фондового рынка является актуальной, ее решение позволит снизить риски и увеличить доходность от рыночных операций. В настоящее время перспективными методами моделирования волатильности являются методы искусственного интеллекта, в том числе глубокие нейронные сети.
Фондовый рынок, нейронные сети, моделирование волатильности, lstm, arfima
Короткий адрес: https://sciup.org/147246906
IDR: 147246906 | DOI: 10.17072/1994-9960-2024-1-41-51
Список литературы Применение нейронных сетей архитектуры LSTM для моделирования волатильности фондового рынка
- Берзон Н. И., Бобровский Д. И., Вилкул Д. Е., Дубинский Д. В., Мезенцев В. В. Подходы Value-at-Risk и Expected Shortfall для оценки премий опционов и вероятности дефолта на основе ARMA-моделей // Экономика и математические методы. 2021. T. 57, № 3. C. 126-139. DOI 10.31857/ S042473880016417-7. EDN ADRRRM
- Bucci A. Realized volatility forecasting with neural networks // Journal of Financial Econometrics. 2020. Vol. 18, iss. 3. P. 502-531. DOI 10.1093/jjfinec/nbaa008
- Hu Y., Ni J., Wen L. A hybrid deep learning approach by integrating LSTM-ANN networks with GARCH model for copper price volatility prediction // Physica A: Statistical Mechanics and its Applications. 2020. Vol. 557. Article 124907. DOI 10.1016/ j.physa.2020.124907
- Jiao X., Song Y, Kong Y, Tang X. Volatility forecasting for crude oil based on text information and deep learning PSO-LSTM model // Journal of Forecasting. 2022. Vol. 41, iss. 5. P. 933-944. DOI 10.1002/for.2839
- JungG., Choi S. Y. Forecasting foreign exchange volatility using deep learning autoencoder-LSTM techniques // Complexity. 2021. Vol. 2021, Special Issue. Article 6647534. 16 p. DOI 10.1155/2021/6647534
- Kakade K., Mishra A. K., Ghate K., Gupta Sh. Forecasting Commodity Market Returns Volatility: A Hybrid Ensemble Learning GARCH-LSTM based Approach // Intelligent Systems in Accounting, Finance and Management. 2022. Vol. 29, iss. 2. P. 103-117. DOI 10.1002/isaf. 1515
- Kakade K., Jain I., Mishra A. K. Value-at-Risk forecasting: A hybrid ensemble learning GARCH-LSTM based approach // Resources Policy. 2022. Vol. 78. Article 102903. DOI 10.1016/j.resourpol.2022.102903
- Lei B., Liu Z., Song Y. On stock volatility forecasting based on text mining and deep learning under high-frequency data // Journal of Forecasting. 2021. Vol. 40, iss. 8. P. 1596-1610. DOI 10.1002/for.2794
- Liu Y. Novel volatility forecasting using deep learning-Long Short Term Memory Recurrent Neural Networks // Expert Systems with Applications. 2019. Vol. 132. P. 99-109. DOI 10.1016/j.eswa.2019.04.038
- Verma S. Forecasting volatility of crude oil futures using a GARCH-RNN hybrid approach // Intelligent Systems in Accounting, Finance and Management. 2021. Vol. 28, iss. 2. P. 130-142. DOI 10.1002/isaf.1489
- Wang T. Stock Volatility Forecasting: Adopting LSTM Deep Learning Method and Comparing the Results with GARCH Family Model // FFIT 2022: Proceedings of the International Conference on Financial Innovation, FinTech and Information Technology (October 28-30, 2022, Shenzhen, China). European Alliance for Innovation, 2023. 12 p. DOI 10.4108/ eai.28-10-2022.2328447
- Балагула Ю. М. Прогнозирование суточных цен на ОРЭМ РФ с помощью модели ARFIMA // Прикладная эконометрика. 2020. № 1 (57). С. 89-101. DOI 10.22394/1993-7601-2020-57-89-101. EDN YJVKGF
- Берзон Н. И., Сулицкий Е. А. Применение EGARCH моделей для анализа спредов Российских корпоративных еврооблигаций // Облигационный рынок: анализ тенденций и перспектив: монография. М.: ИНФРА-М, 2016. С. 171-178. EDN VZPWBZ
- Гарафутдинов Р. В. Исследование влияния некоторых параметров модели ARFIMA на точность прогноза финансовых временных рядов // Прикладная эконометрика. 2021. № 2 (62). С. 85-100. DOI 10.22394/1993-7601-2021-62-85-100. EDN GZHIKL
- Загайнов А. И. Исследование изменения фрактальности хаотических процессов на рынках капитала // Интеллектуальные технологии на транспорте. 2017. № 4 (12). С. 39-43. EDN YQKOHT
- Симонов П. М., Гарафутдинов Р. В. Моделирование и прогнозирование динамики курсов финансовых инструментов с применением эконометрических моделей и фрактального анализа // Вестник Пермского университета. Серия «Экономика». 2019. Т. 14, № 2. С. 268-288. DOI 10.17072/ 1994-9960-2019-2-268-288. EDN NHKAMR
Статья научная
