금융 실현변동성을 위한 내재변동성과 인터넷 검색량을 활용한 딥러닝

S&P 500과 RUSSELL 2000, DJIA, Nasdaq 100 4가지 미국 주가지수의 실현변동성(realized volatility, RV)을 예측하는데 있어서 사람들의 관심 지표로 삼을 수 있는 인터넷 검색량(search volume, SV) 지수와 내재변동성(implied volatility, IV)를 이용하여 LSTM 딥러닝(deep learning) 방법으로 RV의 예측력을 높이고자하였다. SV을 이용한 LSTM 방법의 실현변동성 예측력이 기존의 기본적인 vector autoregressive (VAR) 모형...

Ausführliche Beschreibung

Gespeichert in:
Bibliographische Detailangaben
Veröffentlicht in:Ŭngyong tʻonggye yŏnʼgu 2022, 35(1), , pp.93-104
Hauptverfasser: 신지원, Jiwon Shin, 신동완, Dong Wan Shin
Format: Artikel
Sprache:kor
Schlagworte:
Online-Zugang:Volltext
Tags: Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
Beschreibung
Zusammenfassung:S&P 500과 RUSSELL 2000, DJIA, Nasdaq 100 4가지 미국 주가지수의 실현변동성(realized volatility, RV)을 예측하는데 있어서 사람들의 관심 지표로 삼을 수 있는 인터넷 검색량(search volume, SV) 지수와 내재변동성(implied volatility, IV)를 이용하여 LSTM 딥러닝(deep learning) 방법으로 RV의 예측력을 높이고자하였다. SV을 이용한 LSTM 방법의 실현변동성 예측력이 기존의 기본적인 vector autoregressive (VAR) 모형, vector error correction (VEC)보다 우수하였다. 또한, 최근 제안된 RV와 IV의 공적분 관계를 이용한 vector error correction heterogeneous autoregressive (VECHAR) 모형보다도 전반적으로 예측력이 더 높음을 확인하였다. In forecasting realized volatility of the major US stock price indexes (S&P 500, Russell 2000, DJIA, Nasdaq 100), internet search volume reflecting investor’s interests and implied volatility are used to improve forecast via a deep learning method of the LSTM. The LSTM method combined with search volume index produces better forecasts than existing standard methods of the vector autoregressive (VAR) and the vector error correction (VEC) models. It also beats the recently proposed vector error correction heterogeneous autoregressive (VECHAR) model which takes advantage of the cointegration relation between realized volatility and implied volatility.
ISSN:1225-066X
2383-5818