Forecasting Stock Return Volatility Using the Realized Garch Model and an Artificial Neural Network

Прогнозирование волатильности вызвало интерес ученых и практиков в области моделировании фондового рынка, распределения активов, ценообразования опционов и торговли на финансовых рынках. Это необходимо для управления рисками, распределения активов, ценообразования опционов и торговли на финансовых рынках. Это может быть сделано с помощью различных методов прогнозирования временных рядов и искусственных нейронных сетей (ИНС).

Ключевые слова

Текущее исследование посвящено моделированию и прогнозированию индекса фондового рынка с использованием высокочастотных данных. Недавнее исследование моделирования высокочастотной волатильности называется модель Realized-GARCH, где ключевой особенностью является уравнение измерения, которое связывает реализованную меру с условной дисперсией доходности. Затем, Realized-GARCH учитывает асимметрию эффектов, вызванных шоками.

Литература

1. Ait-Sahalia Y., Mancini L. Out of Sample Forecasts of Quadratic Variation. Journal of Econometrics, 2008, vol. 147, no. 1, pp. 17-33. DOI:10.1016/j.jeconom.2008.09.015
2. Arneri'c J., Sestanovi'c T., Teai J. Neural Network Approach in Forecasting Realized Variance Using High-Frequency Data. Business Systems Research Journal, 2018, vol. 9, no. 2, pp. 18-34. DOI:10.2478/bsrj-2018-0016
3. Barndorff-Nielsen O.E., Shephard N. Econometric Analysis of Realized Volatility and Its Use in Estimating Stochastic Volatility Models. Journal of the Royal Statistical Society, 2002, vol. 64, no. 2, pp. 253-280. DOI:10.1111/1467-9868.00336
4. Barndorff-Nielsen O.E., Shephard N. Power and Bipower Variation with Stochastic Volatility and Jumps. Journal of Financial Econometrics, 2004, vol. 2, no. 1, pp. 1-48. DOI:10.1093/jjfinec/nbh001
5. Boudt K., Boudt P., Brian G., Croux C. Estimation and Decomposition of Downside Risk for Portfolios with Non-Normal Returns. Journal of Risk, 2008, vol. 11, no. 2, pp. 79-103. DOI:10.2139/ssrn.1024151
6. Corsi F. A Simple Long Memory Model of Realized Volatility. Journal of Financial Econometrics, 2009, vol. 7, no. 2, pp. 174-196. DOI: 10.1093/jjfinec/nbp001
7. Vortelinos D.I. Forecasting Realized Volatility: HAR Against Principal Components Combining Neural Networks and GARCH. Research in International Business and Finance, 2017, vol. 39, pp. 824-839. DOI:10.1016/j.ribaf.2015.01.004
8. Engle R.F. Autoregressive Conditional Heteroscedasticity with Estimates of the Variance of United Kingdom Inflation. Econometrica, 1982, vol. 50, pp. 987-1007. DOI:10.2307/1912773
9. Eryilmaz F.M. Modelling Stock Market Volatility: The Case of Bist-100. International Journal of Commerce and Finance, 2015, vol. 2, no. 1, pp. 37-53.
10. Fausett L. Fundamentals of Neural Network. Hoboken, Prentice-Hall, 1994.
11. Granger C. Investigating Causal Relations by Econometric Models and Cross-spectral Methods. Econometrica, 1969, vol. 37, no. 3, pp. 424-438. DOI:10.2307/1912791
12. Funahashi K. On the Approximate Realization of Continuous Mappings by Neural Networks. Neural Networks, 1989, vol. 2, no. 3, pp. 183-192. DOI:10.1016/0893-6080(89)90003-8
13. Hornik K., Stinchcombe M., White H. Universal Approximation of an Unknown Mapping and its Derivatives Using Multilayer Feedforward Networks. Neural Networks, 1990, vol. 3, no. 5, pp. 551-560. DOI:10.1016/0893-6080(90)90005-6
14. Hansen P.R., Zhuo Huang, Shek H.H. Realized GARCH: a Joint Model for Returns and Realized Measures of Volatility. Journal of Applied Econometrics, 2012, vol. 27, no. 6, pp. 877-906. DOI:10.1002/jae.1234
15. Huang Shih-Feng, Chiang Hsin-Han, Lin Yu-Jun. A Network Autoregressive Model with GARCH Effects and its Applications. The Public Library of Science One, 2021, vol. 16, no. 7, article ID: e0255422. DOI:10.1371/journal.pone.0255422
16. Lee S.S., Mykland P.A. Jumps in Financial Markets: A New Nonparametric Test and Jump Dynamics. Review of Financial Studies, 2008, vol. 21, no. 6, pp. 2535-2563. DOI:10.2139/ssrn.686372
17. Xunfa Lu, Danfeng Que, Guangxi Cao. Volatility Forecast Based on the Hybrid Artificial Neural Network and GARCH-type Models. Procedia Computer Science, 2016, vol. 91, pp. 1044-1049. DOI:10.1016/j.procs.2016.07.145
18. Nelson D.B. Conditional Heteroskedasticity in Asset Returns: a New Approach. Econometrica, 1991, vol. 59, no. 2, pp. 347-370. DOI:10.2307/2938260
19. Bollerslev T. Generalized Autoregressive Conditional Heteroskedasticity. Journal of Econometrics, 1986, vol. 31, no. 3, pp. 307-327. DOI: 10.1016/0304-4076(86)90063-1
20. Andersen T.G., Bollerslev T., Diebold F.X., Ebens H. The Distribution of Realized Stock Return Volatility. Journal of Financial Economics, 2001, vol. 61, no. 1, pp. 43-76. DOI:10.1016/S0304-405X(01)00055-1
21. Zhang Peter, Patuwo Eddy, Hu Michael. Forecasting With Artificial Neural Networks: The State of the Art. International Journal of Forecasting, 1998, vol. 14, no. 1, pp. 35-62. DOI:10.1016/S0169-2070(97)00044-7