При такой тесной связи волатильности с инвестиционным риском и доходностью неудивительно, что статистический метод, который улавливал изменяющуюся во времени волатильность, был признан достойным Нобелевской премии. С момента ее создания многие финансовые учреждения приняли варианты модели авторегрессионной условной гетероскедастичности (ARCH) для прогнозирования волатильности временных рядов. Однако большинство этих моделей не поддаются обобщению на все рыночные условия из-за их неспособности улавливать нелинейные рыночные характеристики.
Исследователи кафедры машиностроения Университета Карнеги — Меллона создали новую гибридную модель глубокого обучения, которая сочетает в себе сильные стороны GARCH (Generalized-ARCH) с гибкостью глубокой нейронной сети с долговременной краткосрочной памятью , что позволяет точнее улавливать и прогнозировать волатильность рынка , чем любая из этих моделей по отдельности.
Вдохновленная машинным обучением на основе физики, которое напрямую встраивает физические законы в архитектуру модели глубокого обучения , команда объединила машинное обучение со стилизованными фактами, которые являются эмпирическими рыночными моделями, зафиксированными моделью GARCH. Таким образом, новая модель, GARCH-Informed Neural Network (GINN), может учиться как на основе фактической истины, так и на знаниях, полученных моделью GARCH, чтобы понять как общие рыночные тенденции, так и более тонкие детали.
«Традиционные модели машинного обучения рискуют тем, что мы называем «переобучением», и это происходит, когда модель слишком точно имитирует данные, которым ее обучили», — объяснила Зеда Сюй, аспирант CMU и ведущий автор статьи, представленной на Международной конференции ACM по ИИ в финансах. «Создавая гибридную модель , мы обеспечиваем обобщаемость и повышенную точность».
Модель GINN показала результаты на 5% лучше, чем модель GARCH, и команда увидела заметное повышение эффективности прогнозирования волатильности ежедневных цен закрытия по семи основным фондовым индексам по всему миру по сравнению с конкурирующими моделями.
«Эти результаты будут интересны не только инвесторам, использующим GARCH в качестве ресурса, — сказал Сюй, — но и нашей модели, которая представляет ценность для других приложений, включающих моделирование и прогнозирование временных рядов, например, для автономных транспортных средств и GenAI».
«Это отличный пример того, какую силу инженерные методы могут привнести в другие области», — сказал Крис МакКомб, доцент кафедры машиностроения. «Черпая вдохновение из машинного обучения на основе физики и тесно сотрудничая с экспертами в данной области, мы представили новый способ построения общих моделей временных рядов для прогнозирования».
