Resumen

La volatilidad se utiliza ampliamente en diferentes áreas financieras, y prever la volatilidad de los activos financieros puede ser valioso. En este documento, utilizamos una red neuronal profunda (DNN) y un modelo de memoria a corto y largo plazo (LSTM) para predecir la volatilidad del índice bursátil. La mayoría de los estudios de investigación relacionados utilizan una función de pérdida de distancia para entrenar los modelos de aprendizaje automático, y presentan dos desventajas. La primera es que introducen errores al utilizar la volatilidad estimada como objetivo de previsión, y la segunda es que sus modelos no pueden compararse justamente con modelos econométricos. Para resolver estos dos problemas, introducimos además una función de pérdida basada en la verosimilitud para entrenar los modelos de aprendizaje profundo y probamos todos los modelos por la verosimilitud de la muestra de prueba. Los resultados muestran que nuestros modelos de aprendizaje profundo con función de pérdida basada en la verosimilitud pueden prever la vol

• Materias:Funciones Flujo de información Estudio de población Modelado de sistemas Modelo de campo
• Subjects:Functions Information flow Population study System modeling Field model
• Palabras claves:Volatilidad; Pronóstico; Red neuronal profunda; Modelo LSTM; Función de pérdida basada en la verosimilitud; Modelo econométrico
• Keywords:Volatility; Forecasting; Deep neural network; LSTM model; Likelihood-based loss function; Econometric model