ДалееСледующее руководство
CI/CD для машинного обучения
Технический
Техническое РУКОВОДСТВО
Прогнозы волатильности с помощью машинного обучения оценивают будущую изменчивость доходности или реализованных движений цен; они не предсказывают направление рынка и не гарантируют результаты инвестиций.
Прослушайте это руководствоОзвучено ИИ · ~3 min
Модели следует сравнивать с установленными базовыми показателями, оценивать вне выборки и тестировать на разных активах и режимах. Качество прогнозов, транзакционные издержки и использование рисков — это отдельные вопросы.
Прогнозирование волатильности оценивает, насколько цена актива может измениться в будущем. Это отличается от прогнозирования того, вырастет или упадет цена. Методы машинного обучения могут использовать лагированную реализованную волатильность, общерыночные сигналы, макроэкономические переменные или настроение текста. Общим эталоном является гетерогенная авторегрессионная модель реализованной волатильности (HAR-RV), которая использует средние значения прошлой волатильности за разные временные горизонты. Исследования, сравнивающие машинное обучение с линейными моделями, показывают, что результаты зависят от актива, предикторов, горизонта прогнозирования и схемы оценки. Одно исследование глобальных фондовых индексов показало, что дополнительные предикторы улучшили некоторые ежедневные и еженедельные прогнозы, но не было общих доказательств того, что нелинейное МО всегда превосходит линейные методы. Метрика прогнозирования не показывает, что стратегия прибыльна после затрат или подходит для конкретного портфеля. Исследователи должны использовать скользящие или расширяющие тесты вне выборки, предотвращать упреждающие утечки, сравнивать с простыми базовыми линиями и оценивать функции калибровки и потерь, имеющие отношение к принятию решения. Рыночные режимы меняются, а модели могут деградировать во время стресса. Отчет о горизонтах, целевом строительстве, активах, комиссиях и неопределенности. Не интерпретируйте оценку волатильности как прогноз прибыли или как индивидуальный финансовый совет. Менеджеры по рискам должны указать, учитывается ли прогноз при определении размера позиции, стресс-тестировании или планировании капитала, поскольку каждая задача оценивает разные затраты на ошибку. Модель, выбранная для одного рынка или горизонта прогнозирования, может оказаться бесполезной в другом. Торговые издержки и ликвидность могут изменить кажущуюся ценность сигнала волатильности.
Группа по управлению рисками сравнивает прогноз ML с базовым уровнем HAR на более позднем тестовом периоде.
Аналитик проверяет, остаются ли прогнозы волатильности точными во время рыночного стресса.
Команда портфеля отделяет эффективность прогнозирования от прибыльности торговли.
Исследователь сообщает о результатах по всем активам, а не только по наиболее эффективным сериям.
Методы машинного обучения могут включать более широкие источники данных и моделировать нелинейные закономерности, но более простые прогнозы могут оставаться конкурентоспособными. Улучшения должны сохраняться вне выборки и иметь значение для принятия решения о определенном риске. Будущая работа должна показать устойчивость на разных рынках и меняющихся режимах, а не только соответствие выборке. Прогнозы остаются неопределенными исходными данными для управления рисками, а не обещаниями относительно будущих цен. Пользователи прогнозов должны иметь возможность видеть неопределенность и ограничения. Риск-менеджеры должны документировать, как прогнозы влияют на решения и какие условия делают их недействительными.
Бесплатная рассылка
Три проверенных AI-истории каждое утро буднего дня, написанные простым английским. Бесплатно навсегда, без рекламы.
Одно электронное письмо каждый будний день. Отписаться в один клик. Мы никогда не продаем и не передаем ваш адрес.
Проверьте себя
Мгновенная обратная связь по каждому ответу и общий сертификат с проверяемым идентификатором после прохождения курса.
Поддержите бесплатное образование в области искусственного интеллекта. AI Understanding — это некоммерческая организация 501(c)(3). Никакой рекламы и платного доступа. Сделать пожертвование
Прогнозы волатильности с помощью машинного обучения оценивают будущую изменчивость доходности или реализованных движений цен; они не предсказывают направление рынка и не гарантируют результаты инвестиций. Модели следует сравнивать с установленными базовыми показателями, оценивать вне выборки и тестировать на разных активах и режимах. Качество прогнозов, транзакционные издержки и использование рисков — это отдельные вопросы.
HAR-RV — это стандартная основа для прогнозирования реализованной волатильности.
Исследования показывают, что производительность зависит от контекста и компаратора.
Оценка волатильности описывает изменчивость доходности; он сам по себе не предсказывает, вырастет или упадет цена.
Детали позволяют читателям оценить прогнозы и их практическую значимость.
Продолжайте учиться
Другие руководства, выбранные по этой теме
ДалееСледующее руководство
CI/CD для машинного обучения
Технический