本研究では、金融市場の変動性予測のために、GARCH モデルと深層学習モデルを組み合わせた新しいハイブリッドモデル GINN を提案した。GARCH モデルは金融時系列の特性を良く捉えているが、非線形性を十分に表現できないという課題がある。一方、深層学習モデルは非線形性をうまくモデル化できるが、過学習の問題がある。GINN モデルは、GARCH モデルの知識を深層学習モデルに組み込むことで、両者の長所を活かし、より正確な変動性予測を実現した。
具体的には、GINN モデルは2段階のアプローチを取る。まず GARCH モデルを用いて初期の変動性予測を行い、次にその予測結果を深層学習モデルの損失関数に組み込むことで、GARCH モデルの知識を活用しつつ、深層学習モデルの柔軟性を発揮する。
GINN モデルの性能評価では、7つの代表的な株式市場指数データを用いて、GARCH、GJR-GARCH、TGARCH、LSTM の各モデルと比較した。その結果、GINN モデルが最も優れた予測精度を示し、GARCH モデルに比べて5.81%、GJR-GARCH モデルに比べて22.72%、TGARCH モデルに比べて18.79%、LSTM モデルに比べて22.05%の性能向上が確認された。GINN-0 モデル(GINN モデルの特殊ケース)も同様に優れた性能を示した。
GINN モデルの優位性は、GARCH モデルの知識を活用しつつ、深層学習モデルの柔軟性を発揮できることによる。GARCH モデルが捉えきれない非線形な市場動向を深層学習が学習し、より正確な変動性予測を実現したと考えられる。一方で、GINN モデルの予測結果は GARCH モデルに比べてやや平滑化される傾向があり、極端な変動を捉えきれない可能性も示唆された。今後は、より適切な性能評価指標の検討や、GINN モデルの更なる改良が課題として挙げられる。
Ke Bahasa Lain
dari konten sumber
arxiv.org
Wawasan Utama Disaring Dari
by Zeda Xu, Joh... pada arxiv.org 10-02-2024
https://arxiv.org/pdf/2410.00288.pdfPertanyaan yang Lebih Dalam