تنبؤ التقلبات أمر حاسم لإدارة المخاطر المالية، ومع ذلك، تعاني النماذج التقليدية مثل GARCH من صعوبات في التعامل مع غير الخطية والتأثيرات غير المتماثلة. تستفيد هذه الدراسة من الشبكات العصبية Long Short-Term Memory (LSTM) لتعزيز نماذج GARCH المتماثلة وغير المتماثلة، والتعامل مع هذه القيود. من خلال دمج LSTM مع أطر GARCH و GARCH-X و Realized GARCH، نقترح نماذج هجينة (إصدارات أساسية وموسعة) لتحسين دقة التوقع. باستخدام بيانات يومية من مؤشرات FTSE 100 و Nikkei 225 و SP 500 (2000-2020)، قمنا بمقارنة النماذج الهجينة مع النماذج التقليدية. تظهر النتائج أن نموذج LSTM الهجين الموسع يتفوق على كل من نماذج GARCH التقليدية ونموذج LSTM الأساسي، مما يلتقط أنماط التقلب المعقدة بشكل أكثر فعالية. تعالج هيكلية النموذج الموسع، التي تحتوي على طبقات ReLU و GRU و dropout، مشكلة التنعيم الزائد وتعزز الاستجابة لتقلبات السوق. توضح هذه الدراسة إمكانية LSTM في تحسين توقعات التقلب، مما يقدم رؤى قيمة للمستثمرين ومديري المخاطر.
درس رحماوانتو وآخرون (الخميس) هذا السؤال.