Aplikace umělé inteligence pro odhad modelů stochastické volatility
Autor(ka) práce:
Kašperlík, Martin
Typ práce:
Diploma thesis
Vedoucí práce:
Fičura, Milan
Oponenti práce:
Folprecht, Marek
Jazyk práce:
English
Abstrakt:
This thesis studies whether neural networks can be used as an alternative to classical simulation-based methods (in particular MCMC) for estimating the unknown parameters of stochastic volatility models. In these models the returns driven by volatility are observable, but the volatility itself cannot be observed directly. Classical methods estimate the parameters by repeatedly solving difficult problems that involve this latent variable, which is computationally expensive. The thesis investigates whether a neural network can instead learn this task once from simulated data and then estimate the parameters of any new series in a single fast pass. In the practical part, several neural network architectures are trained on synthetically generated data to infer the model parameters directly from the observed returns. The best architecture is then compared against an MCMC benchmark, both by how accurately it recovers the parameters and by the out-of-sample predictive likelihood of the fitted model. The comparison is carried out across different series lengths, under several misspecified processes, and finally on real financial data from fifteen assets. The results indicate that the Temporal Convolutional Network is the best-performing architecture and also that neither method dominates. The network is far faster and is competitive when the model is well specified and the parameters are well identified, while MCMC keeps an edge on the hardest parameter and under weak identification. A key finding is that parameter accuracy and predictive accuracy can point in opposite directions under misspecification.
Klíčová slova:
Stochastic volatility; Neural networks; Amortized inference; MCMC; Model misspecification; Temporal Convolutional Network; Financial time series
Název práce:
Odhad parametrů modelů stochastické volatility pomocí neuronových sítí
Autor(ka) práce:
Kašperlík, Martin
Typ práce:
Diplomová práce
Vedoucí práce:
Fičura, Milan
Oponenti práce:
Folprecht, Marek
Jazyk práce:
English
Abstrakt:
Tato diplomová práce zkoumá, zda lze neuronové sítě použít jako alternativu ke klasickým simulačním metodám (zejména MCMC) pro odhad neznámých parametrů modelů stochastické volatility. V těchto modelech jsou výnosy řízené volatilitou pozorovatelné, avšak samotnou volatilitu nelze pozorovat přímo. Klasické metody odhadují parametry opakovaným řešením obtížných úloh, které zahrnují tuto latentní proměnnou, což je výpočetně náročné. Cílem práce je zjistit, zda se neuronová síť může tuto úlohu naučit jednou ze simulovaných dat a poté odhadnout parametry libovolné nové řady v jediném rychlém průchodu. V praktické části je několik architektur neuronových sítí natrénováno na synteticky generovaných datech tak, aby odhadovaly parametry modelu přímo z pozorovaných výnosů. Nejlepší architektura je poté porovnána s benchmarkem MCMC, a to jak podle přesnosti odhadu parametrů, tak podle predikční věrohodnosti mimo vzorek u odhadnutého modelu. Porovnání je provedeno pro různé délky řad, při několika chybně specifikovaných procesech a nakonec na reálných finančních datech z patnácti aktiv. Výsledky ukazují, že Temporal Convolutional Network je nejlépe fungující architekturou a že žádná z metod jednoznačně nedominuje. Síť je výrazně rychlejší a je konkurenceschopná, pokud je model správně specifikovaný a parametry jsou dobře identifikované, zatímco MCMC si udržuje výhodu u nejobtížněji identifikovatelného parametru a při slabé identifikaci. Klíčovým zjištěním je, že přesnost odhadu parametrů a přesnost predikce mohou při chybné specifikaci ukazovat opačnými směry.
Klíčová slova:
Stochastická volatilita; Neuronové sítě; Amortizovaná inference; MCMC; Chybná specifikace modelu; Temporal Convolutional Network; Finanční časové řady