用于增强金融市场波动率预测的动态图神经网络
数理金融
2024-10-23 v1 机器学习
统计金融
摘要
波动率预测对于金融市场的风险管理和决策至关重要。广义自回归条件异方差（GARCH）等传统模型能有效捕捉波动率聚集现象，但通常难以对多个指数之间复杂的非线性相互依赖关系进行建模。本文提出了一种新颖的方法，使用图神经网络（GNN）将全球金融市场表示为动态图。时间图注意力网络（Temporal GAT）结合了图卷积网络（GCN）和图注意力网络（GAT），以捕捉波动率溢出的时间和结构动态。通过利用基于相关性和波动率溢出的指数，Temporal GAT构建了有向图，从而提高了波动率预测的准确性。对八个主要全球指数进行15年研究的实证结果表明，Temporal GAT在短期至中期预测中优于传统的GARCH模型和其他机器学习方法。在一系列参数和超参数上的敏感性和基于场景的分析进一步证明了所提出技术的重要性。因此，这项工作凸显了GNN在建模复杂市场行为方面的潜力，为金融分析师和投资者提供了宝贵的见解。
引用
@article{arxiv.2410.16858,
title = {Dynamic graph neural networks for enhanced volatility prediction in financial markets},
author = {Pulikandala Nithish Kumar and Nneka Umeorah and Alex Alochukwu},
journal= {arXiv preprint arXiv:2410.16858},
year = {2024}
}