混合机器学习模型更准确地预测金融市场波动
作者：Carnegie Mellon University Mechanical Engineering
由于波动性与投资风险和回报密切相关，难怪捕捉时变波动性的统计方法被认为值得获得诺贝尔奖。自创建以来，许多金融机构都采用自回归条件异方差 (ARCH) 模型的变体来预测时间序列波动性。然而，这些模型中的大多数由于无法捕捉非线性市场特征，因此无法推广到所有市场条件。
卡内基梅隆大学机械工程系的研究人员创建了一种新的混合深度学习模型，该模型结合了 GARCH（广义 ARCH）的优势和长期的灵活性短期记忆 深度神经网络捕捉和预测市场挥发性比任何一个模型本身都更准确。
受到基于物理的机器学习的启发，它将物理定律直接嵌入到机器学习的架构中深度学习模型，该团队将机器学习与程式化事实相结合，这些事实是 GARCH 模型捕获的经验市场模式。这样，新模型 GARCH-Informed Neural Network (GINN) 就可以从事实真相和 GARCH 模型获得的知识中学习，以掌握总体市场趋势和更精细的细节。
“传统的机器学习模型存在我们所说的‘过度拟合’的风险，当模型过于模仿所教授的数据时就会发生这种情况，”卡内基梅隆大学博士 Zeda Xu 解释道。学生和该论文的主要作者，该论文在 ACM 国际金融人工智能会议上发表。“通过建立一个混合模型，我们确保普遍性并提高准确性。”
GINN 的表现比单独的 GARCH 模型好 5%，并且该团队发现，与竞争模型相比，预测全球七个主要股票市场指数每日收盘价波动性的性能显着提高。
Xu 表示：“使用 GARCH 作为资源的投资者不仅会对这些结果感兴趣，而且我们的模型对于涉及时间序列建模和预测的其他应用也很有价值，例如自动驾驶汽车和 GenAI。”
“这是工程方法可以给其他领域带来力量的一个很好的例子，”机械工程副教授 Chris McComb 说。“通过从基于物理的机器学习中汲取灵感，并与主题专家密切合作，我们引入了一种构建通用时间序列预测模型的新途径。”
该研究是发表作为第五届 ACM 国际金融人工智能会议论文集，是与宾夕法尼亚州立大学的 John Liechty、纽约大学的 Sebastian Benthall 和隆德大学的 Nicholas Skar-Gislinge 合作完成的。
更多信息：Zeda Xu 等人，用于金融市场波动性预测的 GARCH-Informed 神经网络，第五届 ACM 国际金融人工智能会议论文集（2024）。DOI：10.1145/3677052.3698600
引文:混合机器学习模型更准确地预测金融市场波动（2024 年，12 月 17 日）检索日期：2024 年 12 月 18 日来自 https://techxplore.com/news/2024-12-hybrid-machine-financial-volatility-accuracy.html
本文档受版权保护。除了出于私人学习或研究目的的任何公平交易外，不得未经书面许可，不得复制部分内容。所提供的内容仅供参考。
关于《混合机器学习模型更准确地预测金融市场波动》的评论
暂无评论