[논문]오토인코더를 이용한 요인 강화 HAR 모형

박민수; 백창룡

doi:10.5351/kjas.2022.35.1.049

초록
AI-Helper

실현 변동성은 강한 종속성을 가짐이 잘 알려져 있으며, 글로벌 금융 시장과 유기적으로 연관이 되어 있을 뿐만 아니라 환율, 유가, 이자율 등의 거시적인 지표와도 밀접한 관계가 있다. 본 논문은 이러한 실현 변동성의 효과적인 예측을 위해서 오토인코더를 이용한 FAHAR (autoencoder factor-augmented heterogeneous autoregressive, AE-FAHAR) 모형을 제안한다. AE-FAHAR 모형은 강한 종속성을 HAR 구조로 반영하고, 외부 효과에 대한 영향을 오토인코더를 사용하여 몇 개의 요인으로 추출하여 이를 반영한다. 오토인코더는 비선형 방법으로 요인을 추정하기에 많은 계산 시간이 필요하지만 복잡하고 비정상성을 가질 수 있는 고차원 시계열 자료의 요약에 더 적합하다. 이는 곧 실증 자료 분석을 통해 AE-FAHAR 모형이 예측 오차를 줄임을 확인할 수 있었다. 또한 계산 시간을 줄이고 추정 오차를 줄이기 위해 오토인코더에 사전학습 및 앙상블을 적용하는 등의 방법에 대해서도 논의하였다.

Abstract ▼ AI-Helper

Realized volatility is well known to have long memory, strong association with other global financial markets and interdependences among macroeconomic indices such as exchange rate, oil price and interest rates. This paper proposes autoencoder factor-augmented heterogeneous autoregressive (AE-FAHAR)...

Realized volatility is well known to have long memory, strong association with other global financial markets and interdependences among macroeconomic indices such as exchange rate, oil price and interest rates. This paper proposes autoencoder factor-augmented heterogeneous autoregressive (AE-FAHAR) model for realized volatility forecasting. AE-FAHAR incorporates long memory using HAR structure, and exogenous variables into few factors summarized by autoencoder. Autoencoder requires intensive calculation due to its nonlinear structure, however, it is more suitable to summarize complex, possibly nonstationary high-dimensional time series. Our AE-FAHAR model is shown to have smaller out-of-sample forecasting error in empirical analysis. We also discuss pre-training, ensemble in autoencoder to reduce computational cost and estimation errors.

주제어

표/그림 (7)

그림 Figure 1: basic diagram of autoencoder.
그림 Figure 2: scatter plot shows several fitted values of autoencoder using the same data.
표 Table 1: Summary statistics for stock index realized volatilities
그림 Figure 3: The sample cross-correlation function between All Ordinaries and DJI.
그림 Figure 4: Scree plot for 21 RVs. Elbow point 2 is selected for the number of factors.
표 Table 2: One-step and five-step ahead out-of-sample forecasting comparison
그림 Figure 5: Forecasting time plot of All Ordinaries and SMI.

참고문헌 (11)

Agarap AF (2018). Deep Learning Using Rectified Linear Units (relu), arXiv preprint arXiv:1803.08375.
Andersen TG, Bollerslev T, Diebold FX, and Labys P (2003). Modeling and forecasting realized volatility, Econometrica, 71, 579-625.

상세보기
Baek C and Park M (2021). Sparse vector heterogeneous autoregressive modeling for realized volatility, Journal of the Korean Statistical Society, 50, 495-510.

상세보기
Bai J and Ng S (2008). Large Dimensional Factor Analysis, Now Publishers Inc.
Cattell RB (1966). The scree test for the number of factors, Multivariate behavioral research, 1, 245-276.

상세보기
Corsi F (2009). A simple approximate long-memory model of realized volatility, Journal of Financial Econometrics, 7, 174-196.

상세보기
Gu S, Kelly B, and Xiu D (2021). Autoencoder asset pricing models, Journal of Econometrics, 222, 429-450.

상세보기
Kim D and Baek C (2020). Factor-augmented HAR model improves realized volatility forecasting, Applied Economics Letters, 27, 1002-1009.

상세보기
Kingma DP and Ba J (2014). Adam: A Method for Stochastic Optimization, arXiv preprint arXiv:1412.6980.
Kramer MA (1991). Nonlinear principal component analysis using autoassociative neural networks, AIChE Journal, 37, 233-243.

상세보기
Srivastava N, Hinton G, Krizhevsky A, Sutskever I, and Salakhutdinov R (2014). Dropout: a simple way to prevent neural networks from overfitting, Journal of Machine Learning Research, 15, 1929-1958.

상세보기

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

오토인코더를 이용한 요인 강화 HAR 모형
Autoencoder factor augmented heterogeneous autoregressive model 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (7)

표/그림 (7)

참고문헌 (11)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

오토인코더를 이용한 요인 강화 HAR 모형 Autoencoder factor augmented heterogeneous autoregressive model 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (7) 모든 표/그림 보기

표/그림 (7) 슬라이드로 보기

참고문헌 (11)

이 논문을 인용한 문헌

저자의 다른 논문 :

백창룡 (21)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

오토인코더를 이용한 요인 강화 HAR 모형
Autoencoder factor augmented heterogeneous autoregressive model 원문보기

초록
AI-Helper

표/그림 (7)

표/그림 (7)