From Reactive to Proactive Volatility Modeling with Hemisphere Neural Networks

要約

私たちは、専用の平均と分散の半球を備えた新しいニューラル ネットワーク アーキテクチャを通じて、マクロ経済密度予測のための最尤推定 (MLE) を再活性化します。
私たちのアーキテクチャは、このコンテキストで MLE を機能させるためのいくつかの重要な要素を備えています。
まず、半球はネットワークの入り口で共通のコアを共有し、誤差分散のさまざまな形式の時間変動に対応します。
次に、このクラスのオーバーパラメータ化された非線形モデルにおける平均/分散の不確定性を打ち破るボラティリティ強調制約を導入します。
3 番目に、ブロックされた out-of-bag リアリティ チェックを実行して、両方の条件付きモーメントでの過剰適合を抑制します。
第 4 に、このアルゴリズムは標準の深層学習ソフトウェアを利用しているため、計算的にも統計的にも大規模なデータ セットを処理します。
したがって、当社のヘミスフィア ニューラル ネットワーク (HNN) は、可能な場合には先行指標に基づいてプロアクティブなボラティリティ予測を提供し、必要な場合には以前の予測誤差の大きさに基づいて事後的なボラティリティを予測します。
当社では、広範なサンプル外実験と、古典的なモデルからより最新の機械学習ベースの製品に至るまでの一連のモデルに対するベンチマークを使用して、点と密度の予測を評価します。
いずれの場合も、HNN はすべてのターゲットと範囲に対して正確な平均/分散予測を一貫して提供することでうまく機能します。
結果として得られるボラティリティ パスを研究すると、その多用途性が明らかになり、確率的予測評価指標はそのうらやむほどの信頼性を示します。
最後に、Goulet Coulombe (2022) のニューラル フィリップス曲線を再検討することで、この機構を他の構造化深層学習モデルとどのように統合できるかを示します。

要約(オリジナル)

We reinvigorate maximum likelihood estimation (MLE) for macroeconomic density forecasting through a novel neural network architecture with dedicated mean and variance hemispheres. Our architecture features several key ingredients making MLE work in this context. First, the hemispheres share a common core at the entrance of the network which accommodates for various forms of time variation in the error variance. Second, we introduce a volatility emphasis constraint that breaks mean/variance indeterminacy in this class of overparametrized nonlinear models. Third, we conduct a blocked out-of-bag reality check to curb overfitting in both conditional moments. Fourth, the algorithm utilizes standard deep learning software and thus handles large data sets – both computationally and statistically. Ergo, our Hemisphere Neural Network (HNN) provides proactive volatility forecasts based on leading indicators when it can, and reactive volatility based on the magnitude of previous prediction errors when it must. We evaluate point and density forecasts with an extensive out-of-sample experiment and benchmark against a suite of models ranging from classics to more modern machine learning-based offerings. In all cases, HNN fares well by consistently providing accurate mean/variance forecasts for all targets and horizons. Studying the resulting volatility paths reveals its versatility, while probabilistic forecasting evaluation metrics showcase its enviable reliability. Finally, we also demonstrate how this machinery can be merged with other structured deep learning models by revisiting Goulet Coulombe (2022)’s Neural Phillips Curve.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google