具有更灵活记忆的循环神经网络：优于粗糙波动率的预测表现
统计金融
2023-08-21 v1 机器学习
摘要
我们扩展循环神经网络，使其输出的每一维都包含若干灵活的时间尺度，这从机理上提升了它们刻画具有长记忆性或时间尺度高度异质过程的能力。我们比较了原始与扩展的长短期记忆网络（LSTMs）预测资产价格波动率的能力，已知后者具有长记忆性。一般而言，训练扩展 LSTMs 所需的 epoch 数量减半，而具有相同超参数的模型之间验证损失与测试损失的差异显著更小。我们还表明，在包含多个时间序列的数据集上训练与测试时，验证损失最小的模型系统性地优于粗糙波动率预测约 20%。
引用
@article{arxiv.2308.08550,
title = {Recurrent Neural Networks with more flexible memory: better predictions than rough volatility},
author = {Damien Challet and Vincent Ragel},
journal= {arXiv preprint arXiv:2308.08550},
year = {2023}
}
备注
9 pages