Archiwa: Publications

To badanie ocenia wykorzystanie głębokich sieci neuronowych w prognozowaniu całych rozkładów prawdopodobieństwa finansowych stóp zwrotu. Jednowymiarowe konwolucyjne sieci neuronowe (CNN) i architektury Long Short-Term Memory (LSTM) wykorzystano do prognozowania parametrów trzech rozkładów prawdopodobieństwa: normalnego, t-Studenta oraz skośnego t-Studenta. Za pomocą niestandardowych funkcji straty opartych na ujemnej log-wiarygodności zoptymalizowane zostały parametry rozkładów. Modele przetestowano na sześciu głównych indeksach akcyjnych (S&P 500, BOVESPA, DAX, WIG, Nikkei 225 oraz KOSPI), używając probabilistycznych metryk oceny: Log Predictive Score (LPS), Continuous Ranked Probability Score (CRPS) oraz Probability Integral Transform (PIT). Wyniki wskazują, że modele deep learningu dostarczają dokładnych prognoz rozkładów i mogą skutecznie konkurwać z klasycznymi modelami GARCH w estymacji Value-at-Risk. LSTM z rozkładem skośnym t-Studenta osiąga najlepsze rezultaty według większości kryteriów oceny, wykrywając zarówno […]

Właściwe projektowanie i architektura testowania modeli uczenia maszynowego ma kluczowe znaczenie, szczególnie w zastosowaniach do problemów finansów ilościowych. Najważniejszym elementem tego procesu jest wybór odpowiedniej funkcji straty do trenowania, walidacji, estymacji i dostrajania hiperparametrów. W niniejszych badaniach, poprzez eksperymenty empiryczne na danych giełdowych i kryptowalutowych, zastosowaliśmy funkcję Mean Absolute Directional Loss (MADL), która lepiej sprawdza się w optymalizacji modeli prognozujących dla algorytmicznych strategii inwestycyjnych. Porównaliśmy wyniki funkcji MADL między modelami Transformer i LSTM, wykazując, że w niemal każdym przypadku modele Transformer osiągają znacząco lepsze rezultaty niż LSTM.

W niniejszym artykule opracowujemy hybrydowe podejście do prognozowania zmienności i ryzyka instrumentów finansowych, łącząc ekonometryczne modele GARCH z głębokimi sieciami neuronowymi. Wykorzystujemy sieci Gated Recurrent Unit (GRU) oraz cztery różne specyfikacje GARCH: standardowy GARCH, EGARCH, GJR-GARCH i APARCH. Modele testujemy na dziennych zwrotach indeksu S&P 500 i cenach Bitcoina. Jako główny estymator zmienności oraz funkcję celu modeli hybrydowych stosujemy zmodyfikowany estymator Garmana-Klassa. Prognozy zmienności z modeli hybrydowych używamy do oceny ryzyka aktywów za pomocą Value-at-Risk (VaR) i Expected Shortfall (ES). Korzyści płynące z połączenia podejść GARCH i GRU omawiamy w kontekście prognoz zmienności i ryzyka. Można stwierdzić, że rozwiązania hybrydowe zapewniają dokładniejsze prognozy zmienności punktowej, choć niekoniecznie przekłada się to na lepsze prognozy ryzyka.

W niniejszym artykule proponujemy nowatorskie podejście do hedgingu portfeli ryzykownych aktywów w okresach zawirowań na rynkach finansowych. Wprowadzamy nowe podejście do dywersyfikacji na poziomie zespołowych algorytmicznych strategii inwestycyjnych (AIS) opartych na cenach tych aktywów. Stosujemy cztery różne typy modeli (LSTM, ARIMA-GARCH, momentum, contrarian) do generowania prognoz cenowych, wykorzystywanych następnie do produkcji sygnałów inwestycyjnych w prostych i złożonych strategiach AIS. Badamy potencjał dywersyfikacyjny różnych typów strategii inwestycyjnych obejmujących rozmaite klasy aktywów w kontekście hedgingu zespołowych AIS dla indeksów giełdowych (S&P 500). Wnioski wskazują, że strategie oparte na LSTM osiągają lepsze wyniki od pozostałych modeli, a najskuteczniejszym dywersyfikatorem dla strategii AIS opartej na indeksie S&P 500 jest strategia AIS oparta na Bitcoinie. Dodatkowo testujemy model LSTM na danych godzinowych, stwierdzając, że osiąga […]

Niniejszy artykuł bada problem doboru odpowiedniej funkcji straty w optymalizacji modeli uczenia maszynowego wykorzystywanych do prognozowania finansowych szeregów czasowych na potrzeby budowy algorytmicznych strategii inwestycyjnych (AIS). Proponujemy funkcję Mean Absolute Directional Loss (MADL), która rozwiązuje istotne problemy klasycznych funkcji błędu prognozy w ekstraktowaniu informacji z prognoz dla tworzenia skutecznych sygnałów kupna i sprzedaży. Funkcja MADL kładzie nacisk nie tylko na jakość prognozy punktowej, ale również na jej wpływ na efektywność opartego na niej systemu inwestycyjnego. Wprowadzenie i szczegółowy opis teoretycznych właściwości nowej funkcji straty MADL stanowią główny wkład niniejszej pracy do literatury przedmiotu. W części empirycznej, wykorzystując dane z dwóch różnych klas aktywów (kryptowaluty – Bitcoin oraz surowce – ropa naftowa), wykazujemy, że nasza funkcja straty pozwala na lepszy dobór […]

Stosujemy sieci LSTM do prognozowania wartości BTC i indeksu S&P500 na podstawie danych z okresu 2013-2020, wykorzystując różne częstotliwości: dane dzienne, godzinne i 15-minutowe. Wprowadzamy innowacyjną funkcję straty, która zwiększa przydatność prognostyczną modelu LSTM w algorytmicznych strategiach inwestycyjnych. Na podstawie prognoz z modelu LSTM generujemy sygnały kupna i sprzedaży, implementujemy je w strategiach algorytmicznych i budujemy krzywe kapitału dla naszych inwestycji. Wykorzystujemy różne kombinacje modeli LSTM, optymalizowane na próbie uczącej i testowane na próbie walidacyjnej przy użyciu metody okna kroczącego. Szczególną uwagę poświęcamy preprocessing danych wejściowych, aby uniknąć przeuczenia oraz zapewnić właściwy dobór hiperparametrów. Kolejny etap dotyczy łączenia sygnałów z różnych częstotliwości w jeden model zespołowy oraz wyboru najlepszych kombinacji dla okresu testowego przez optymalizację kryterium w sposób analogiczny do […]

Podstawowym celem rozprawy było zbadanie możliwości wykorzystania modeli bazujących na sieciach neuronowych uczenia głębokiego w prognozowaniu finansowych szeregów czasowych. Szczególna uwaga zwrócona została na metody łączące podejście sieciowe z metodami ekonometrycznymi. W tym zakresie szczegółowo omówione zostały podstawy teoretyczne modeli ekonometrycznych klasy ARMA-GARCH oraz modeli wykorzystujących głębokie sieci rekurencyjne sieci LSTM oraz sieci konwolucyjne. W pracy zaproponowane zostały nowatorskie rozwiązania w postaci hybrydowych modeli prognoz punktowych zmienności, ARMA-GARCH-LSTM, oraz modeli umożliwiających prognozowanie parametrów rozkładu prawdopodobieństwa przyszłych stóp zwrotu, wykorzystujących sieci uczenia głębokiego. Zaprezentowane w rozprawie wieloaspektowe badania empiryczne przeprowadzone zostały na trzech płaszczyznach. W pierwszej kolejności zbadane zostały modele sieciowe, wykorzystujące architektury sieci MLP, LSTM oraz CNN, w kontekście prognozowania punktowego stóp zwrotu. Wyniki uzyskane przez poszczególne modele ocenione zostały […]