Прогнозирование условной волатильности фондовых индексов с помощью…
11
можно отнести трудности интерпретации коэффициентов модели, а
также общий характер «черного ящика».
На основании полученных результатов можно говорить о сход-
ствах и различиях распределений фондовых индексов. Рынки
США и Великобритании имеют очень похожие распределения до-
ходностей индексов, что свидетельствует о тесной интеграции
данных площадок. Распределение индекса NIKKEI 225 имеет
наибольшее среди остальных индексов значение коэффициента
эксцесса. Условная волатильность для него лучше всего моделиру-
ется с помощью нейросетевой модели. Индекс Hang Seng заметно
отличается от остальных индексов тем, что его распределение
имеет значительно меньшие значения коэффициента эксцесса.
Следует отметить, что все модели условной волатильности, ис-
пользующие лишь лаги доходностей в качестве своих информаци-
онных множеств, не могут предсказывать большие выбросы вола-
тильности, так как их природа связана с рядом других экзогенных
факторов. Среди них могут быть лаги объемов торгов, индикаторы
кредитного рынка, цены сырьевых товаров, обменные курсы и
многое другое.
ЛИТЕРАТУРА
[1]
Hansen P.R., Lunde A. A Forecast Comparison Of Volatility Models: Does
Anything beat the GARCH(1,1)?
Journal of Applied Econometrics
, 2005,
no. 20, pp. 873–889.
[2]
Glosten L.R., Jagannathan R., Runkle D.E. On the Relation between the Ex-
pected Value and the Volatility of the Nominal Excess Return on Stocks.
Jour-
nal of Finance
, 1993, no. 28(5), pp. 1779–1801.
[3]
Donaldson R.G., Kamstra M. An Artificial Neural Network GARCH Model for
International Stock Return Volatility.
Journal of Empirical Finance
, 1997, no. 4,
pp. 17–46.
[4]
URL:
(дата обра-
щения 15.01.2013)
[5]
Pagan A.R., Schwert G.W. Alternative Models for Conditional Stock Volatility.
Journal of Econometrics
, 1990, no. 45, pp. 267–290.
Статья поступила в редакцию 05.07.2013
Ссылку на эту статью просим оформлять следующим образом:
Цалкович А.М., Храпов П.В. Прогнозирование условной волатильности
фондовых индексов с помощью нейронных сетей.
Инженерный журнал: наука
и инновации
, 2013, вып. 12.
URL:
Цалкович Артем Михайлович
родился в 1989 г., студент шестого курса МГТУ
им. Баумана и второго курса магистратуры РЭШ. Сфера научных интересов:
эконометрика, стохастический анализ, финансовая математика, нейросети. e-mail:
.
