본 연구는 금융 시장 변동성 예측을 위한 새로운 하이브리드 모델인 GARCH 기반 신경망 모델(GINN)을 제안하였다. GINN 모델은 GARCH 모델의 강점과 LSTM 신경망 모델의 유연성을 결합하여, 기존 모델들보다 우수한 예측 성능을 보여주었다.
구체적으로, GINN 모델은 두 단계로 구성된다. 첫 번째 단계에서는 GARCH 모델을 사용하여 초기 변동성 예측을 수행한다. 두 번째 단계에서는 LSTM 신경망 모델을 사용하여 GARCH 모델의 예측 결과와 실제 변동성 사이의 오차를 보정한다. 이를 통해 GINN 모델은 GARCH 모델의 강점과 LSTM 모델의 유연성을 모두 활용할 수 있다.
실험 결과, GINN 모델은 다양한 금융 지수에 대해 GARCH 모델, GJR-GARCH 모델, TGARCH 모델, LSTM 모델 등 기존 모델들보다 우수한 예측 성능을 보여주었다. 특히 R2, MSE, MAE 지표에서 5.81%, 22.72%, 18.79%, 22.05% 더 나은 성능을 보였다. 또한 GINN-0 모델이라는 GINN 모델의 변형 버전도 유사한 수준의 우수한 성능을 보였다.
이러한 결과는 GARCH 모델의 선형적 한계를 LSTM 모델의 비선형 특성으로 보완하고, GARCH 모델의 지식을 활용하여 LSTM 모델의 일반화 성능을 높인 GINN 모델의 효과를 보여준다. 이는 기존 통계 모델과 최신 기계 학습 모델을 결합하는 새로운 접근법의 가능성을 시사한다.
To Another Language
from source content
arxiv.org
Principais Insights Extraídos De
by Zeda Xu, Joh... às arxiv.org 10-02-2024
https://arxiv.org/pdf/2410.00288.pdfPerguntas Mais Profundas