[论文解读] An Integrated Early Warning System for Stock Market Turbulence

Peiwan Wang, Lu Zong+1 more|arXiv (Cornell University)|Nov 28, 2019

Complex Systems and Time Series Analysis参考文献 53被引用 5

一句话总结

本文提出了一种基于切换ARCH（SWARCH）滤波概率、基于双峰法的动态阈值设定以及混合LSTM网络的集成早期预警系统（EWS），用于预测股市动荡。该系统在中国股市数据的回测中表现出96.6%的测试集准确率和平均2.4天的预警提前期，显示出高精度、高稳定性和实际应用价值。

ABSTRACT

This study constructs an integrated early warning system (EWS) that identifies and predicts stock market turbulence. Based on switching ARCH (SWARCH) filtering probabilities of the high volatility regime, the proposed EWS first classifies stock market crises according to an indicator function with thresholds dynamically selected by the two-peak method. A hybrid algorithm is then developed in the framework of a long short-term memory (LSTM) network to make daily predictions that alert turmoils. In the empirical evaluation based on ten-year Chinese stock data, the proposed EWS yields satisfying results with the test-set accuracy of $96.6\%$ and on average $2.4$ days of the forewarned period. The model's stability and practical value in real-time decision-making are also proven by the cross-validation and back-testing.

研究动机与目标

• 开发一种稳健、动态的实时早期预警系统（EWS），用于检测和预测股市动荡。
• 通过引入基于双峰技术的数据驱动动态阈值方法，解决基于固定阈值的危机识别方法的局限性。
• 通过将长短期记忆（LSTM）网络与SWARCH波动率状态滤波相结合，提升每日危机预测的性能。
• 通过交叉验证、回测以及与基线模型在多个评估指标上的比较，验证该系统的实际应用价值。

提出的方法

• EWS使用切换ARCH（SWARCH）建模方法，估算时变的高波动率状态概率，作为危机检测的核心输入。
• 通过将双峰法应用于SWARCH滤波概率，确定动态危机阈值，实现对动荡事件的自适应识别。
• 通过指示函数根据动态选定的阈值，将市场状态分类为动荡或平稳，替代固定的统计阈值。
• 使用历史金融指标序列和SWARCH概率训练混合LSTM网络，以高时间精度预测每日危机的发生。
• 采用5折和3折交叉验证评估模型，性能通过测试集准确率、损失和预警时长进行衡量。
• 通过简单的市场择时策略进行回测：当EWS发出预警时退出市场，信号反转后重新进入，评估风险调整后收益（夏普比率）。

实验结果

研究问题

• RQ1 基于双峰技术的动态阈值方法是否在检测股市动荡方面优于传统的固定阈值危机识别方法？
• RQ2 当基于SWARCH滤波波动率状态训练时，基于LSTM的模型在预测每日股市危机方面的有效性如何？
• RQ3 在回测中，与被动市场投资组合相比，集成EWS在多大程度上提升了风险调整后收益？
• RQ4 该EWS在不同交叉验证折数和测试期之间是否表现出稳定性和泛化能力？
• RQ5 与基线模型相比，SWARCH滤波、动态阈值和深度学习的集成是否显著提升了早期预警性能？

主要发现

• 基于LSTM的EWS在测试集上达到96.6%的准确率，显著优于BPNN和SVR等基线模型，在准确率和稳定性方面均表现更优。
• 该系统在主要市场动荡事件发生前平均提供2.4天的预警，表明具备较强的预测提前期。
• 在回测中，基于LSTM的EWS相比被动市场投资组合，全样本的夏普比率提升3.8个百分点，测试集提升2.4个百分点。
• EWS-LSTM模型在所有评估阶段——测试集表现、交叉验证和回测中均保持一致的优越性，展现出强大的鲁棒性。
• 与基于CMAX等传统固定阈值方法相比，双峰法在阈值选择上实现了更准确、更稳定的危机分类。
• 将SWARCH波动率状态概率作为输入，显著增强了模型识别系统性动荡的能力，这一点从样本中所有重大危机事件的准确刻画中得到验证。