व्यवस्थित अस्थिरता पूर्वानुमान में गतिशीलता: पैरामीटर परिवर्तनों के बीच GARCH मॉडल और गहरी शिक्षण एल्गोरिदम का मूल्यांकन

सारांश इस अध्ययन का मुख्य ध्यान शीर्ष तीन क्रिप्टोकरेंसी की रिटर्न अस्थिरता का मॉडलिंग और पूर्वानुमान है, जिन्हें उच्चतम ट्रेडिंग वॉल्यूम द्वारा पहचाना गया है। ग्यारह विभिन्न GARCH-प्रकार के मॉडलों का छह विभिन्न वितरणों में एक व्यापक पद्धति का उपयोग करके विश्लेषण किया गया, और गहरी शिक्षण एल्गोरिदम का उपयोग प्रत्येक मॉडल के पूर्वानुमान प्रदर्शन का कठोरता से आकलन करने के लिए किया गया। इसके अतिरिक्त, अध्ययन इन मॉडलों के पूर्वानुमान प्रदर्शन के लिए गतिशील पैरामीटर के चयन के प्रभाव की जांच करता है। यह अध्ययन यह जांचता है कि क्या दो विभिन्न वास्तविक विविधता गणनाओं और प्रशिक्षण आकार में भिन्नताओं के बीच पूर्वानुमान परिणामों में कोई महत्वपूर्ण अंतर है। आगे की जांच इस बात पर केंद्रित है कि कैसे विस्तारित और रोलिंग विंडोज का उपयोग पूर्वानुमान के लिए सर्वोत्तम विंडो प्रकार को प्रभावित करता है। अंत में, विभिन्न त्रुटि माप के चयन का महत्व पूर्वानुमान कार्यों की तुलना के संदर्भ में emphasized किया गया है। हमारे परिणाम बताते हैं कि GARCH-प्रकार के मॉडलों में, 5-मिनट की वास्तविक विविधता सबसे अच्छा पूर्वानुमान प्रदर्शन दिखाती है, जबकि गहरी शिक्षण मॉडलों में, मध्य वास्तविक विविधता (MedRV) का सबसे अच्छा प्रदर्शन है। इसके अलावा, यह निर्धारित किया गया है कि प्रशिक्षण/परीक्षण अनुपात में वृद्धि और रोलिंग विंडो दृष्टिकोण का चयन दोनों बेहतर पूर्वानुमान सटीकता प्राप्त करने में महत्वपूर्ण भूमिका निभाते हैं। अंततः, हमारे परिणाम दिखाते हैं कि गहरी शिक्षण मॉडल अस्थिरता पूर्वानुमान में GARCH-प्रकार के मॉडलों की तुलना में बेहतर प्रदर्शन करते हैं।