DeepVol: Volatility Forecasting from High-Frequency Data with Dilated Causal Convolutions

要約

ボラティリティ予測は株式リスク測定の中で中心的な役割を果たします。
ボラティリティを単変量の毎日の時系列として扱う場合、従来の統計モデルに加えて、機械学習に基づく最新の予測手法を使用できます。
さらに、計量経済学的研究では、高頻度の日中データによる毎日の観測数を増やすと、ボラティリティ予測の改善に役立つことが示されています。
この研究では、高周波データを使用して前日のボラティリティを予測する拡張因果畳み込みに基づくモデルである DeepVol を提案します。
私たちの経験的発見は、拡張畳み込みフィルターが日中の金融時系列から関連情報を抽出するのに非常に効果的であることを示し、このアーキテクチャが、現実の測定値が事前計算されている場合に失われるであろう高頻度データに存在する予測情報を効果的に活用できることを証明しています。
同時に、日中の高周波データでトレーニングされた拡張畳み込みフィルターは、モデルの仕様の間違いや手動で設計された手作りの特徴など、日々のデータを使用するモデルの制限を回避するのに役立ちます。その工夫には、精度と計算効率の間のトレードオフの最適化が含まれ、モデルが作成されます。
変化する状況への適応力が欠如しやすい。
私たちの分析では、NASDAQ-100 の 2 年間の日中データを使用して DeepVol のパフォーマンスを評価します。
私たちの経験的結果は、提案されている深層学習ベースのアプローチが高頻度データからグローバルな特徴を効果的に学習し、その結果、従来の方法論と比較してより正確な予測が得られ、より正確なリスク尺度が生成されることを示唆しています。

要約(オリジナル)

Volatility forecasts play a central role among equity risk measures. Besides traditional statistical models, modern forecasting techniques based on machine learning can be employed when treating volatility as a univariate, daily time-series. Moreover, econometric studies have shown that increasing the number of daily observations with high-frequency intraday data helps to improve volatility predictions. In this work, we propose DeepVol, a model based on Dilated Causal Convolutions that uses high-frequency data to forecast day-ahead volatility. Our empirical findings demonstrate that dilated convolutional filters are highly effective at extracting relevant information from intraday financial time-series, proving that this architecture can effectively leverage predictive information present in high-frequency data that would otherwise be lost if realised measures were precomputed. Simultaneously, dilated convolutional filters trained with intraday high-frequency data help us avoid the limitations of models that use daily data, such as model misspecification or manually designed handcrafted features, whose devise involves optimising the trade-off between accuracy and computational efficiency and makes models prone to lack of adaptation into changing circumstances. In our analysis, we use two years of intraday data from NASDAQ-100 to evaluate the performance of DeepVol. Our empirical results suggest that the proposed deep learning-based approach effectively learns global features from high-frequency data, resulting in more accurate predictions compared to traditional methodologies and producing more accurate risk measures.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google