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 | УДК: 004.032.26 | DOI: 10.17072/1994-9960-2024-1-41-51
Stock market volatility simulation with the LSTM neural network
Introduction. Stock market volatility simulation and forecast are relevant issues which could contribute into lower risks and higher revenues of the market transactions. These days, Al-based methods, including deep neural networks, are quite promising for volatility simulation.
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
