LSTMニューラルネットワークを使用した対称および非対称GARCHボラティリティ予測の改善

ボラティリティ予測は金融リスク管理において重要ですが、GARCHのような従来のモデルは非線形性や非対称効果に苦労しています。本研究では、対称および非対称GARCHモデルを強化するためにLong Short-Term Memory (LSTM) ニューラルネットワークを活用し、これらの制限に対処します。LSTMをGARCH、GARCH-X、およびRealized GARCHフレームワークと統合することで、予測精度を向上させるハイブリッドモデル（ベースラインおよび拡張バージョン）を提案します。FTSE 100、日経225、およびSP 500インデックスからのデータ（2000–2020）を使用して、ハイブリッドモデルと従来のモデルを比較しました。結果は、拡張LSTMハイブリッドモデルが従来のGARCHタイプモデルやベースラインLSTMよりも優れており、複雑なボラティリティパターンをより効果的に捉えていることを示しています。ReLU、GRU、およびドロップアウト層を特徴とする拡張モデルのアーキテクチャは、オーバースムージングを軽減し、市場の変動に対する応答性を向上させます。この研究は、LSTMがボラティリティ予測を洗練させる可能性を示し、投資家やリスクマネージャーに貴重な洞察を提供します。