$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

Causal temporal convolutional neural network를 이용한 변동성 지수 예측
Forecasting volatility index by temporal convolutional neural network 원문보기

응용통계연구 = The Korean journal of applied statistics, v.36 no.2, 2023년, pp.129 - 139  

신지원 (이화여자대학교 수리과학연구소) ,  신동완 (이화여자대학교 통계학과)

초록
AI-Helper 아이콘AI-Helper

변동성의 예측은 자산의 리스크에 대비하는 데에 중요한 역할을 하기때문에 필수적이다. 인공지능을 통하여 이러한 복잡한 특성을 지닌 변동성 예측을 시도하였는데 기존 시계열 예측에 적합하다 알려진 LSTM (1997)과 GRU (2014)은 기울기 소실로 인한 문제, 방대한 연산량의 문제, 그로 인한 메모리양의 문제 등이 존재하였다. 변동성 데이터는 비정상성(non-stationarity)과 정상성(stationarity)을 모두 가지고 있는 특성이 있으며, 자산 가격 하방 쇼크에 더 큰 폭으로 상승하는 비대칭성과 상당한 장기 기억성, 시장에 큰 사건이 발생할 때 기존의 값들에 비해 이상치라 할 수 있을 정도의 예측할 수 없는 큰 값이 발생하는 특성들이 존재한다. 이렇게 여러 가지 복잡한 특성들은 하나의 모형으로 구조화되기 어려워서 전통적인 방식의 모형으로는 변동성에 대한 예측력을 높이기 어려운 면이 있다. 이러한 문제를 해결하기 위해 1D CNN의 발전된 형태인 causal TCN (causal temporal convolutional network) 모형을 변동성 예측에 적용하고, 예측력을 최대화 할 수 있는 TCN 구조를 설계하고자 하였다. S&P 500, DJIA, Nasdaq 지수에 해당하는 변동성 지수 VIX, VXD, and VXN, 에 대하여 예측력 비교를 하였으며, TCN 모형이 RNN 계열의 모형보다도 전반적으로 예측력이 높음을 확인하였다.

Abstract ▼ AI-Helper 아이콘AI-Helper

Forecasting volatility is essential to avoiding the risk caused by the uncertainties of an financial asset. Complicated financial volatility features such as ambiguity between non-stationarity and stationarity, asymmetry, long-memory, sudden fairly large values like outliers bring great challenges t...

주제어

#딥러닝   #변동성 예측   #변동성 지수   #시계열  

참고문헌 (16)

  1. Bai S, Kolter JZ, and Koltun V (2018). An empirical evaluation of generic convolutional and recurrent networks？for sequence modeling, Available from: arXiv preprint arXiv: 1803.01271 

  2. Bi J, Zhang X, Yuan H, Zhang J, and Zhou M (2021). A hybrid prediction method for realistic network traffic？with temporal convolutional network and lstm, IEEE Transactions on Automation Science and Engineering,？19, 1869-1879. 

  3. Bucci A (2017). Forecasting realized volatility: A review, Journal of Advanced Studies in Finance, 8, 94-138. 

  4. Chou J and Ngom N (2016). Time series analytics using sliding window metaheuristic optimization-based machine learning system for identifying building energy consumption patterns, Applied Energy, 177, 751-770. 

    상세보기

  5. Chung J, Gulcehre C, Cho KH, and Bengio Y (2014). Empirical Evaluation of Gated Recurrent Neural Network-son Sequence Modeling, Available from: arXiv: :1412.3555 

  6. Hansen PR, Lunde A, and Nason JM (2011). The model confidence set, Econometrica, 79, 453-497. 

    상세보기

  7. Hewage P, Behera A, Trovati M, Pereira E, Ghahremani M, Palmieri F, and Liu Y (2020). Temporal convolutional？neural (TCN) network for an effective weather forecasting using time-series data from the local weather？station, Soft Computing, 24, 16453-16482. 

  8. Hochreiter S and Schmidhuber J (1997). Long short-term memory, Neural Computation, 9, 1735-1780. 

    상세보기

  9. Lara-Benitez P, Carranza-Garcia M, Luna-Romera JM, and Riquelme JC (2020). Temporal convolutional networks applied to energy-related time series forecasting, Applied Sciences, 10, 2322. 

  10. Lee D, Lee S, Han Y, and Lee K (2017). Ensemble of convolutional neural networks for weakly-supervised？soundevent detection using multiple scale input, Detection and Classification of Acoustic Scenes and Events,？2017, 14-18. 

  11. Li W, Wei Y, An D, Jiao Y, and Wei Q (2022). LSTM-TCN: Dissolved oxygen prediction in aquaculture, based on？combined model of long short-term memory network and temporal convolutional network, Environmental？Science and Pollution Research, 29, 39545-39556. 

    상세보기

  12. Liu Q, Che X, and Bie M (2019). R-STAN: Residual spatial-temporal attention network for action recognition, IEEE Access, 7, 82246-82255. 

    상세보기

  13. McAleer M and Medeiros MC (2008). A multiple regime smooth transition heterogeneous autoregressive modelfor long memory and asymmetries, Journal of Econometrics, 147, 104-119. 

    상세보기

  14. Poon SH and Granger CWJ (2003). Forecasting volatility in financial markets: A review, Journal of EconomicLiterature, 41, 478-539. 

    상세보기

  15. Shin JW and Shin DW (2019). Vector error correction heterogeneous autoregressive forecast model of realized？volatility and implied volatility, Communications in Statistics-Simulation and Computation, 48, 1503-1515. 

    상세보기

  16. Shin JW and Shin DW (2022). Deep learning forecasting for financial realized volatilitieswith aid of implied？volatilities and internet search volumes, The Korean Journal of Applied Statistics, 35, 93-104.？ 

저자의 다른 논문 :

관련 콘텐츠

오픈액세스(OA) 유형

GOLD

오픈액세스 학술지에 출판된 논문

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로