利用混合GARCH-LSTM预测资产收益的高维协方差矩阵
统计金融
2021-09-03 v1 机器学习
摘要
若干学者研究了混合单变量广义自回归条件异方差（GARCH）模型与神经网络的混合模型相比纯计量经济模型能给出更优波动率预测的能力。尽管结果颇具前景，此类模型向多元情形的推广尚待研究。此外，极少有论文考察神经网络预测资产收益协方差矩阵的能力，且均只使用较少数量的资产，因而未解决所谓的维数灾难问题。本文旨在研究混合GARCH过程与神经网络的混合模型预测资产收益协方差矩阵的能力。为此，我们提出一种基于多元GARCH的新模型，其将波动率与相关性预测分解。此处波动率使用混合神经网络预测，而相关性遵循传统计量经济过程。在最小方差投资组合框架下实现模型后，我们的结果如下。首先，将GARCH参数作为输入加入对所提模型有益。其次，使用独热编码（one-hot-encoding）帮助神经网络区分各股票可提升性能。第三，所提新模型极具前景，因其不仅优于等权重投资组合，且以显著优势超越使用单变量GARCH预测波动率的对应计量经济模型。
引用
@article{arxiv.2109.01044,
title = {Forecasting High-Dimensional Covariance Matrices of Asset Returns with Hybrid GARCH-LSTMs},
author = {Lucien Boulet},
journal= {arXiv preprint arXiv:2109.01044},
year = {2021}
}
备注
30 pages