Применение нейронных сетей архитектуры LSTM для моделирования волатильности фондового рынка

Аннотация

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.

Цель. Проверка гипотезы о более высокой точности нейронной сети архитектуры LSTM при моделировании волатильности фондового рынка по сравнению с традиционными авторегрессионными моделями (на примере ARIMA) и моделями с длинной памятью (на примере ARFIMA).

Материалы и методы. На данных индекса S&P 500, отражающего динамику фондового рынка США в целом, проведены вычислительные эксперименты для проверки выдвинутой гипотезы.

Результаты. LSTM-сеть позволила получить прогнозы, точность которых существенно выше точности прогнозов ARIMA- и ARFIMA-моделей на обучающей и тестовой выборках; ARFIMA-модель показала более высокую точность, чем ARIMA, что согласуется с ранее полученными данными.

Выводы. Результаты работы позволяют утверждать, что нейронные сети архитектуры LSTM являются перспективным методом прогнозирования волатильности фондовых рынков и могут выступать предметом дальнейших исследований в данной области. Использование методов машинного обучения, в том числе нейронных сетей, не только является способом определения будущей динамики доходностей финансовых активов, но и может применяться в контексте оптимизации существующих алгоритмов разбалансировки портфелей, аппроксимации и моделирования риск-метрик, приближения вероятностных характеристик финансовых инструментов.

Ключевые слова: фондовый рынок, нейронные сети, моделирование волатильности, LSTM, ARFIMA

СПИСОК ИСТОЧНИКОВ

1. 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
2. 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
3. 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
4. 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
5. Jung G., 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
6. 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
7. 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
8. 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
9. 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
10. 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
11. 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
12. 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
13. 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
14. 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
15. Загайнов А. И. Исследование изменения фрактальности хаотических процессов на рынках капитала // Интеллектуальные технологии на транспорте. 2017. № 4 (12). С. 39–43. EDN YQKOHT
16. 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