Forecasting stock return volatility using the Realized GARCH model and an artificial neural network

Прогнозирование волатильности вызвало интерес ученых и практиков в области моделировании фондового рынка, распределения активов, ценообразования опционов и торговли на финансовых рынках. Это необходимо для управления рисками, распределения активов, ценообразования опционов и торговли на финансовых рынках. Это может быть сделано с помощью различных методов прогнозирования временных рядов и искусственных нейронных сетей (ИНС).
Текущее исследование посвящено моделированию и прогнозированию индекса фондового рынка с использованием высокочастотных данных. Недавнее исследование моделирования высокочастотной волатильности называется модель Realized-GARCH, где ключевой особенностью является уравнение измерения, которое связывает реализованную меру с условной дисперсией доходности. Затем, Realized-GARCH учитывает асимметрию эффектов, вызванных шоками.
В данной работе предлагается гибридная модель: ANN и модель Realized-GARCH для прогнозирования индекса волатильности доходности акций. Данная модель была создана путем введения прогнозируемой реализованной волатильности волатильности (RV) с использованием модели Realized GARCH в ИНС. Выбор входных переменных АНН был сделан с использованием теста причинности Грейнджера, чтобы уменьшить шум, который может повлиять на систему прогнозирования и который может быть порожден входной переменной переменной, не связанной статистически с поведением волатильности фондового рынка.
Результаты показывают, что гибридная модель превосходит модели Realized GARCH и HAR-типа во вневыборочной оценке по RMSE и коэффициенту корреляции.