А.М. Цалкович, П.В. Храпов
10
чем у конкурирующих моделей. Однако в случае индекса Hang Seng
ситуация обратная — нейросетевая модель показывает худшие ре-
зультаты среди всех рассмотренных моделей. Возможно, это объяс-
няется особенностями распределения Гонконгского индекса — стан-
дартизованные доходности распределены с меньшими значениями
коэффициента эксцесса по сравнению с доходностью на других тор-
говых площадках.
Интересно также отметить, что ANN-GARCH-модель, предло-
женная Р. Дональдсоном и М. Камстрой, не имеет каких-либо пре-
имуществ перед EGARCH- и GJR-GARCH-моделями. Результаты ба-
зовой GJR-GARCH-модели практически совпадают со значениями,
предсказанными моделью ANN-GARCH. В работе [3] авторы не при-
водят значения подобных критериев, а лишь сравнивают модели по
тесту Чонга—Хендри (Chong—Hendry test) и приходят к выводу о
том, что ANN-GARCH-модель способна предсказывать эффекты, не
описываемые базовой GJR-GARCH-моделью. Возможными объясне-
ниями подобных отличий могут являться различные данные, случай-
ный характер нейросетевых коэффициентов ANN-GARCH-модели,
разные оптимизационные методы и пр. Полученные результаты поз-
воляют говорить о том, что модель GARCH(1,1) уступает большин-
ству других моделей, которые, в частности, способны улавливать
асимметрию в отклике на шоки разных знаков. Нейросетевая модель
показывает неплохие результаты для всех индексов, за исключением
Hang Seng, что свидетельствует о потенциальной возможности более
адекватно отражать «тяжелые хвосты» распределений. В особенно-
сти это заметно на примере индекса NIKKEI 225, где значения коэф-
фициента эксцесса наибольшие.
Заключение.
Фондовые индексы демонстрируют сложную ди-
намику, сопряженную с кластеризацией во времени, асимметрией,
высокими значениями коэффициента эксцесса и пр. Распределение
стандартизованных остатков достаточно сильно отличается от стан-
дартного нормального. В первую очередь это связано с «тяжелыми
хвостами» распределений. Базовая GARCH(1,1) модель не способна
объяснить большую часть данных эффектов и значительно уступает
EGARCH, GJR-GARCH, ANN-GARCH и «чистой» нейросетевой мо-
делям по предсказательной силе. При сопоставлении видим, что ре-
зультаты, полученные при использовании предложенной Р. Дональд-
соном и М. Камстрой модели ANN-GARCH, которая является
развитием GJR-GARCH-модели, незначительно отличаются от ре-
зультатов базовой модели. Разработанная авторами настоящей рабо-
ты нейросетевая модель удачно зарекомендовала себя на рынках, где
доходности распределены с высокими значениями коэффициента
эксцесса. К наибольшим недостаткам применения такого подхода
