Sinir Ağları ile GARCH Modellemesi: Volatilite Tahmini Yeni Yöntem

Finansal zaman serileri analizi ve volatilite tahmininde kullanılan GARCH modelleri, pazar oynaklığını anlamak için kritik rol oynuyor. Yeni bir araştırma, bu klasik yaklaşımı sinir ağları ile birleştirerek daha güçlü bir yöntem sunuyor.

ArXiv'de yayımlanan çalışmada, araştırmacılar parametrik olmayan bir yaklaşım öneriliyor. Yöntem, özyinelemeli harita tahminini ve gözlenmeyen koşullu varyansların güncellenmesini birbirinin ardından çalıştırıyor. Basit bir döngüde: sinir ağı volatilite dinamiğini öğreniyor, ardından bu bilgiyi kullanarak gözlenemeyen varyansları hesaplıyor.

Temel bulgu, yöntemin minimax hızında yakınsadığı yani matematiksel olarak optimal olduğu. Sonlu örneklem sınırları türetilmiş ve gerçek dış örneklem tahminleri için garantiler sağlanmış. Önemli bir nokta: model fazla belirtilse bile (yüksek dereceler kullanılsa) performans düşmüyor.

Simülasyonlar, doğrusal olmayan ve zamanla değişen oynaklık dinamikleri altında yöntemin etkili olduğunu gösteriyor. Gerçek finansal verilerle yapılan testlerde ise sinir ağı tabanlı yaklaşım geleneksel yöntemlerle rekabet edebiliyor.

Bu araştırma, derin öğrenmenin finansal modellemede nasıl uygulanabileceğini gösteriyor. Özellikle karmaşık volatilite yapılarını yakalayan sistemler için ilgi çekici.