Pairwise Markov Chains for Volatility Forecasting

要約

ペアワイズ マルコフ チェーン (PMC) は、よく知られている隠れマルコフ モデルを拡張した確率的グラフィカル モデルです。
このモデルは多くのタスクに対して非常に効果的ですが、連続値の予測にはほとんど利用されていません。
これは主に、生成確率モデルに固有の観察のモデリングの問題によるものです。
この論文では、PMC を使用した予測のための新しいアルゴリズムを紹介します。
一方で、このアルゴリズムにより機能の問題を回避できるため、PMC の機能を最大限に活用できます。
一方、PMC は、各タイム ステップで更新される隠れ状態を導入し、任意のモデルに非定常性を導入できるようにすることで、任意の予測モデルを拡張できます。
ボラティリティ予測に新しいアルゴリズムを備えた PMC を適用し、非常に人気のある GARCH(1,1) およびフィードフォワード ニューラル モデルと多数のペアにわたって比較します。
これは、ボラティリティの中で観察できる体制の変化を考えると特に重要です。
シナリオごとに、私たちのアルゴリズムは拡張モデルのパフォーマンスを向上させ、私たちのアプローチの価値を実証します。

要約(オリジナル)

The Pairwise Markov Chain (PMC) is a probabilistic graphical model extending the well-known Hidden Markov Model. This model, although highly effective for many tasks, has been scarcely utilized for continuous value prediction. This is mainly due to the issue of modeling observations inherent in generative probabilistic models. In this paper, we introduce a new algorithm for prediction with the PMC. On the one hand, this algorithm allows circumventing the feature problem, thus fully exploiting the capabilities of the PMC. On the other hand, it enables the PMC to extend any predictive model by introducing hidden states, updated at each time step, and allowing the introduction of non-stationarity for any model. We apply the PMC with its new algorithm for volatility forecasting, which we compare to the highly popular GARCH(1,1) and feedforward neural models across numerous pairs. This is particularly relevant given the regime changes that we can observe in volatility. For each scenario, our algorithm enhances the performance of the extended model, demonstrating the value of our approach.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google