[论文解读] A long short-term memory stochastic volatility model

Nghia Nguyen, Minh‐Ngoc Tran+2 more|arXiv (Cornell University)|Jan 1, 2019

Stock Market Forecasting Methods参考文献 15被引用 5

一句话总结

本文提出LSTM-SV模型，这是一种长短期记忆网络与随机波动率模型的新型混合模型，用于捕捉金融波动率中的非线性和长记忆动态。通过将LSTM集成到潜在波动率过程中，该模型在传统SV模型的基础上提高了样本外预测精度，尤其在表现出强烈长记忆性和非线性依赖性的股票指数（如SP500和ASX200）上效果显著，而这些特性在汇率数据中并不存在。

ABSTRACT

Stochastic Volatility (SV) models are widely used in the financial sector while Long Short-Term Memory (LSTM) models are successfully used in many large-scale industrial applications of Deep Learning. Our article combines these two methods in a non-trivial way and proposes a model, which we call the LSTM-SV model, to capture the dynamics of stochastic volatility. The proposed model overcomes the short-term memory problem in conventional SV models, is able to capture non-linear dependence in the latent volatility process, and often has a better out-of-sample forecast performance than SV models. These properties are illustrated through simulation study and applications to three financial time series datasets: The US stock market weekly index SP500, the Australian stock weekly index ASX200 and the Australian-US dollar daily exchange rates. Based on our analysis, we argue that there are significant differences in the underlying dynamics between the volatility process of the SP500 and ASX200 datasets and that of the exchange rate dataset. For the stock index data, there is strong evidence of long-term memory and non-linear dependence in the volatility process, while this is not the case for the exchange rates. An user-friendly software package together with the examples reported in the paper are available at https://github.com/vbayeslab.

研究动机与目标

• 解决传统随机波动率（SV）模型的局限性，特别是其短期记忆特性以及无法对潜在波动率中的非线性依赖关系进行建模的问题。
• 将长短期记忆（LSTM）网络整合到SV框架中，以增强对复杂波动率动态的建模能力。
• 评估LSTM-SV模型在真实金融时间序列数据上的样本外预测性能。
• 探究股票指数与汇率之间的潜在波动率动态是否存在显著差异。
• 提供用户友好的软件实现，以促进可复现性，并推动该模型在金融研究中的广泛应用。

提出的方法

• LSTM-SV模型用深度LSTM网络替代传统SV模型中的线性自回归结构，以建模潜在波动率过程。
• 潜在波动率遵循状态空间公式，其中均值回归和持续性参数通过在对数收益上训练的LSTM网络学习得到。
• 采用贝叶斯推断方法，结合哈密顿蒙特卡洛（HMC）进行潜在状态和模型参数的后验估计。
• LSTM组件能够捕捉波动率中的非线性时间依赖性和长记忆性，从而突破标准SV模型的马尔可夫性限制。
• 该模型应用于三个数据集：SP500周收益率、ASX200周收益率以及AUD/USD日间汇率。
• 通过样本外预测密度评分和对数似然度量进行模型比较，以评估预测性能。

实验结果

研究问题

• RQ1 基于LSTM的架构能否有效建模金融时间序列潜在波动率过程中的非线性依赖关系？
• RQ2 LSTM-SV模型在样本外波动率预测精度上是否优于传统SV模型？
• RQ3 股票指数（SP500、ASX200）与汇率（AUD/USD）之间的波动率动态是否存在显著差异？
• RQ4 LSTM-SV模型是否能捕捉到标准SV模型无法检测到的波动率长期记忆效应？
• RQ5 将深度学习整合到SV模型中，是否能实现在真实金融数据中更稳健和灵活的波动率预测？

主要发现

• LSTM-SV模型在所有三个金融数据集上均表现出优于传统SV模型的样本外预测性能。
• 对于SP500和ASX200股票指数，检测到波动率过程中存在强烈的长记忆性和非线性依赖性，而LSTM-SV模型成功捕捉到了这些特征。
• 相比之下，汇率数据集（AUD/USD）未显示出显著的长记忆性或非线性依赖性，表明其潜在动态存在差异。
• LSTM组件有效建模了复杂的时序依赖关系，使模型能够学习并保留标准SV模型无法涵盖的长周期波动模式。
• 该模型性能的提升归因于其通过LSTM架构学习潜在波动率过程中非线性状态转移的能力。
• 一个用户友好的软件包连同示例代码已公开发布于GitHub，便于在金融研究中进行复现和扩展。