基于 LSTM 网络的随机波动率建模：S&P 500 指数波动率预测的混合方法
交易与市场微观结构
2025-12-16 v1 人工智能
机器学习
神经与进化计算
投资组合管理
摘要
精准的波动率预测在银行、投资和风险管理中至关重要，因为对未来市场走势的预期直接影响当前决策。本研究提出一种混合建模框架，将随机波动率模型与长短期记忆 (LSTM) 神经网络集成。SV 模型提高了统计精度，尤其是在应对突发事件时捕捉潜在波动率动态，而 LSTM 网络增强了模型检测金融时间序列中复杂非线性模式的能力。该预测使用 S&P 500 指数的日度数据进行，覆盖时间范围为 1998 年 1 月 1 日至 2024 年 12 月 31 日。采用滚动窗口方法进行模型训练并生成一步ahead 波动率预测。通过统计检验和投资模拟评估了混合 SV-LSTM 模型的性能。结果表明，混合方法优于独立的 SV 和 LSTM 模型，为 S&P 500 的波动率建模技术发展提供了基础，改善了风险评估和在 S&P 500 语境下的战略投资规划。
引用
@article{arxiv.2512.12250,
title = {Stochastic Volatility Modelling with LSTM Networks: A Hybrid Approach for S&P 500 Index Volatility Forecasting},
author = {Anna Perekhodko and Robert Ślepaczuk},
journal= {arXiv preprint arXiv:2512.12250},
year = {2025}
}
备注
32 pages, 15 tables, 11 figures