Прогнозирование волатильности финансовых временных рядов ансамблями деревьев

Применение нового инструментария для анализа экономических данных в последнее десятилетие привело к значительному улучшению прогнозирования. Это обусловлено как актуальностью поставленного вопроса, так и развитием технологий, которые позволяют применять более сложные модели, не прибегая к промышленным вычислительным мощностям. Постоянная волатильность мировых индексов вынуждает всех игроков финансового рынка совершенствовать модели риск-менеджмента, в то же время пересматривая политику инвестирования капитала. Ужесточающиеся нормативы ликвидности и прозрачности по отношению к финансовой сфере также подталкивают участников экспериментировать с защитными механизмами и создавать прогностические алгоритмы, способные не только снизить потери от волатильного изменения финансовых инструментов, но и получить выгоду от краткосрочных инвестиционных манипуляций.
В статье рассматривается возможность повышения эффективности вычислений при прогнозировании волатильности моделями ансамблей деревьев с использованием различных методов анализа данных. В качестве ключевых точек роста эффективности изучается возможность агрегирования данных финансовых временных рядов с использованием нескольких методов расчета и прогнозирования дисперсии: Standard, EWMA, ARCH, GARCH, а также анализируется возможность упрощения вычислений при снижении корреляционной зависимости между рядами. Применение расчетных методик демонстрируется на основе массива данных исторических цен (Open, High, Low, Close) и показателей объема (Volumes) торгов фьючерса на индекс RTS с пятиминутным временным интервалом и годовым набором исторических данных. Предлагаемая методика позволяет сократить мощностные/временные затраты на обработку данных при анализе краткосрочных позиций на финансовых рынках и выявить риски с определенным уровнем доверительной вероятности.

1. Quinlan J.R. Induction of Decision Trees. Machine Learning. 1986;(1):81–106.

2. Sollich P., Krogh, A. Learning with ensembles: How overfitting can be useful. Advances in Neural Information Processing Systems. 1996;8:190–196.

3. Yoo W., Ference B.A., Cote M.L., & Schwartz A.A. Comparison of Logistic Regression, Logic Regression, Classifcation Tree, and Random Forests to Identify Effective Gene-Gene and Gene-Environmental Interactions. International Journal of Applied Science and Technology. 2012;2(7):268.

4. Freund Y., Shapire R. A decision-theoretic generalization of on-line learning and an application to boosting. Proceedings of the Second European Conference on Computational Learning Theory; 1995:23–37.

5. Friedman J. Greedy Function Approximation: A Gradient Boosting Machine. The Annals of Statistics. 2001;29(5):1–39.

6. Breiman L. Random Forests. Machine Learning. 2001;45:5–32.

7. Geurts P., Erns D., Wehenkel L. Extremely randomized trees. Machine Learning. 2006;63:3–42.

8. Engle R.F. Estimating Time Varying Risk Premia in the Term Structure: The Arch-M Model. Econometrica. 1987;55(2):391–407.

9. Raileanu L.E., Stoffel K. Theoretical Comparison between the Gini Index and Information Gain Criteria. Annals of Mathematics and Artifcial Intelligence. 2004;41(1):77–93.

10. Bollerslev T. Generalized Autoregressive Conditional Heteroskedasticity. Journal of Econometrics. 1986;31:307–327.

11. Sundsoy P., Bjelland J., MIqba A. Big Data-Driven Marketing: How machine learning outperforms marketers’ gutfeeling. Massachusetts Institute of Technology. Lecture Notes in Computer Science. 2014;8393:367–374.