HAR-RV-J- RNN模型预测和交易大型股票指数的高频波动率

已有大量关于预测高频波动的文献,但大多数仅根据统计误差评估预测。

由Kaizong Ye,Weilong Zhang撰写

本文分析了S&P500指数和SPY ETF,VIX指数和VXX ETN的波动率的可预测性和可交易性。

尽管已有大量关于预测高频波动的文献,但大多数仅根据统计误差评估预测。实际上,这种分析只是对预测的实际经济意义的一个小的指示。因此,在我们的方法中,我们还通过交易适当的波动率衍生品来测试我们的预测。

简介

波动性在资产定价和分配以及风险管理中起着核心作用,例如风险价值(VaR)与期望损失(ES)。对计量经济学家,统计学家和从业者来说,建模和预测波动性非常重要。然而,传统的广义自回归条件异方差(GARCH)和随机波动率(SV)模型的应用并不适合用于使用高频数据的应用。

本文将HAR-RV-J与递归神经网络(RNN)和混合 HAR-RV-J- RNN模型进行比较,以预测波动性,从而分析预测性。

循环神经网络

人工神经网络是一种功能强大的非参数工具,用于信号滤波,模式识别和插值,也可以容忍有误差的数据,并找到模型参数之间的非线性关联 。 大多数计量经济模型是通过捕获时间序列的特定特征(例如长记忆)或假设变量之间的函数关系而开发的,人工神经网络的主要优点是它们包含非线性并包含所有变量。


课程

R语言数据分析挖掘必知必会

从数据获取和清理开始,有目的的进行探索性分析与可视化。让数据从生涩的资料,摇身成为有温度的故事。

立即参加

具有一个隐藏层的单输出RNN模型 

混合模型

混合模型也被设计为RNN。但是,作为附加输入,我们将线性模型的预测提供给RNN。我们还保留了四个基本输入。因此,在混合模型的情况下,输入的总数增加到5。

所有其他模型参数保持不变。具体地,如上确定隐藏神经元的数量。此外,模型架构保持相同。

使用混合模型的动机源于希望利用每个模型。通过将线性预测提供给RNN,我们可以从预测任务中删除任何线性分量。这应该为更好地匹配线性预测误差的非线性残差留出更多空间。

数据

我们的基础数据集包括来自于1996年1月2日至2016年6月2日开始的标准普尔500指数。

结果

每日S&P500 RV。

结论

本文分析了异质自回归模型的潜力,包括跳跃预测实现波动率(RV)。对于这种方法,我们根据标准普尔500指数的5年日内数据的20年历史计算RV。我们的结果表明,基础HAR-RV-J模型确实能够提供令人满意的RV预测。


可下载资源

关于作者

Kaizong Ye拓端研究室(TRL)的研究员。

本文借鉴了作者最近为《R语言数据分析挖掘必知必会 》课堂做的准备。

​非常感谢您阅读本文,如需帮助请联系我们!

 
QQ在线咨询
售前咨询热线
15121130882
售后咨询热线
0571-63341498

关注有关新文章的微信公众号


永远不要错过任何见解。当新文章发表时,我们会通过微信公众号向您推送。

技术干货

最新洞察

This will close in 0 seconds