Использование нейронных сетей для моделирования волатильности: сравнение GARCH, LSTM и гибридных моделей для индекса IMOEX

Данная работа направлена на улучшение точности однодневных прогнозов условной волатильности индекса IMOEX, основного рыночного индекса в России, отражающего страновой риск и являющегося ориентиром для инвесторов. Точные прогнозы волатильности позволяют участникам финансового рынка принимать взвешенные решения, корректируя торговые портфели и реализуя эффективные стратегии хеджирования. Традиционные подходы к оценке волатильности включают оценивание моделей семейства GARCH, но благодаря развитию вычислительных мощностей появился альтернативный метод на основе алгоритмов глубинного обучения. Последние исследования фокусируются на развитии гибридных моделей, которые комбинировали бы преимущества обоих подходов. Однако, российский рынок пока не представлен в этой области. Данное исследование стремится закрыть этот пробел, представив первую гибридную модель условной волатильности для России. Эта модель будет основана на алгоритме LSTM с новой спецификацией. Наш анализ покрывает широкий период, основываясь на ежедневных данных с 2015 по 2023 год. Соответственно, мы учитываем пандемию коронавируса и геополитический фактор. Предсказания гибридной архитектуры сравниваются с одиночной LSTM и моделями GARCH в трех сценариях скользящего окна. Результаты исследования демонстрируют абсолютное превосходство моделей нейронных сетей над традиционными эконометрическими подходами по обоим показателям QLIKE и MSE. Однако, мы обнаружили, что выбор между одиночной LSTM моделью и гибридом зависит от длины скользящего окна, которое использовалось для прогнозирования. Лучшие результаты были достигнуты при оценке в 7-дневных промежутках, поэтому мы предлагаем использовать именно этот интервал при построении стратегий риск-менеджмента.