Având în vedere faptul că volatilitatea piețelor este atât de strâns legată de riscul și randamentul investițiilor, nu este de mirare că o metodă statistică care surprinde volatilitatea variabilă în timp a fost considerată demnă de un Premiu Nobel. De la crearea sa, multe modele statistice care pot măsura și prezice schimbările în volatilitatea datelor financiare (autoregressive conditional heteroskedasticity, ARCH) pentru a prognoza volatilitatea seriilor temporale. Cu toate acestea, majoritatea acestor modele nu sunt generalizabile la toate condițiile de piață din cauza incapacității lor de a surprinde caracteristicile neliniare ale pieței.
Cercetătorii de la Departamentul de inginerie mecanică din cadrul Universității Carnegie Mellon au creat un nou model hibrid de învățare profundă care combină punctele forte ale GARCH (Generalized-ARCH) cu flexibilitatea unei rețele neuronale profunde cu memorie pe termen scurt pentru a surprinde și prognoza volatilitatea pieței cu o mai mare acuratețe decât este capabil fiecare model în parte. Inspirată de învățarea automată bazată pe fizică, care integrează direct legi fizice în arhitectura unui model de învățare profundă, echipa a îmbinat învățarea automată cu fapte stilizate, care sunt modele empirice de piață surprinse de modelul GARCH. În acest fel, noul model, GARCH-Informed Neural Network (GINN), poate învăța atât din adevărul faptic de bază, cât și din cunoștințele dobândite de modelul GARCH pentru a înțelege atât tendințele generale ale pieței, cât și detalii mai fine. „Modelele tradiționale de învățare automată riscă ceea ce numim „supraadaptare”, și este ceva care se întâmplă atunci când un model imită prea mult datele care i-au fost predate”, a explicat Zeda Xu, doctorand CMU și autor principal al lucrării care a fost prezentată la Conferința internațională ACM privind IA în finanțe. „Prin construirea unui model hibrid, asigurăm generalizabilitatea și precizia îmbunătățită”.
GINN a avut o performanță cu 5% mai bună decât modelul GARCH singur, iar echipa a observat o creștere vizibilă a performanței în prezicerea volatilității prețurilor de închidere zilnice pe șapte indici bursieri majori la nivel mondial față de modelele concurente. „Nu numai investitorii care utilizează GARCH ca resursă vor fi interesați de aceste rezultate”, a declarat Xu, ”dar modelul nostru este valoros pentru alte aplicații care implică modelarea și predicția seriilor de timp, cum ar fi vehiculele autonome și GenAI.”
„Acesta este un exemplu excelent al puterii pe care metodele inginerești o pot aduce în alte domenii”, a adăugat Chris McComb, profesor asociat de inginerie mecanică. „Inspirându-ne din învățarea automată informată de fizică și lucrând îndeaproape cu experți în domeniu, am introdus o nouă cale de a construi modele generale de serii de timp pentru prognoză.”
Studiul a fost publicat ca parte a Proceedings of the 5th ACM International Conference on AI in Finance și a fost realizat în colaborare cu John Liechty de la Pennsylvania State University, Sebastian Benthall de la New York University și Nicholas Skar-Gislinge de la Lund University.
