高频数据下基于LSTM的协方差矩阵预测模型

摘要：

协方差矩阵的建模与预测,对于金融风险管理、投资组合管理等至关重要.针对时间序列模型对高维变量预测精度较低的问题,利用长短记忆神经网络模型(LSTM),提出了基于深度学习的高频数据已实现协方差矩阵预测模型.利用金融高频数据得到已实现协方差矩阵,对其进行DRD分解,针对相关系数矩阵R进行向量化处理,利用向量异质自回归模型(HAR)预测已实现相关系数矩阵R;针对已实现波动率矩阵D,利用半协方差(semi covariance)思想,结合LSTM模型,得到已实现波动率矩阵D的深度学习预测模型,构建了LSTM-SDRD-HAR已实现协方差矩阵动态预测模型.LSTM模型和HAR模型能捕捉实际数据的长期记忆性,半协方差有利于捕捉金融数据的杠杆性.实证分析表明:相较于传统向量HAR已实现协方差矩阵预测模型,LSTM-SDRD-HAR预测已实现协方差矩阵更为准确,基于LSTM-SDRD-HAR预测已实现协方差矩阵构造的有效前沿组合投资效果更佳.

关键词：LSTM模型、协方差矩阵预测、已实现半协方差、Markowitz有效前沿

所属期刊栏目：39

分类号：O212.1(概率论与数理统计)

资助基金：国家社会科学基金;江苏省研究生科研创新计划项目

在线出版日期：2023-01-04（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：65-70