Le modèle hybride d’apprentissage automatique prédit la volatilité des marchés financiers avec une précision accrue

La volatilité étant si étroitement liée au risque et aux rendements des investissements, il n’est pas étonnant qu’une méthode statistique captant la volatilité variable dans le temps ait été jugée digne d’un prix Nobel. Depuis sa création, de nombreuses institutions financières ont adopté des variantes du modèle d’hétéroscédasticité conditionnelle autorégressive (ARCH) pour prévoir la volatilité des séries chronologiques. Toutefois, la plupart de ces modèles ne sont pas généralisables à toutes les conditions de marché en raison de leur incapacité à saisir les caractéristiques non linéaires du marché.

Des chercheurs du Département de génie mécanique de l'Université Carnegie Mellon ont créé un nouveau modèle d'apprentissage profond hybride qui combine les atouts de GARCH (Generalized-ARCH) avec la flexibilité d'un réseau neuronal profond à mémoire long et court terme pour capturer et prévoir la volatilité du marché. avec plus de précision que l’un ou l’autre modèle n’est capable de le faire seul.

Inspirée par l'apprentissage automatique basé sur la physique, qui intègre directement les lois physiques dans l'architecture d'un modèle d'apprentissage profond, l'équipe a fusionné l'apprentissage automatique avec des faits stylisés, qui sont des modèles de marché empiriques capturés par le modèle GARCH. De cette façon, le nouveau modèle, GARCH-Informed Neural Network (GINN), peut apprendre à la fois de la vérité factuelle sur le terrain et des connaissances acquises par le modèle GARCH pour saisir à la fois les tendances générales du marché et les détails plus fins.

« Les modèles d'apprentissage automatique traditionnels risquent ce que nous appelons le » surapprentissage « , et cela se produit lorsqu'un modèle imite de trop près les données qui lui ont été enseignées », a expliqué Zeda Xu, Ph.D. CMU. étudiant et auteur principal de l'article présenté à la Conférence internationale de l'ACM sur l'IA en finance. « En construisant un modèle hybride, nous garantissons la généralisabilité et une précision améliorée. »

GINN a obtenu des résultats 5 % supérieurs à ceux du modèle GARCH seul, et l'équipe a constaté une augmentation notable des performances dans la prévision de la volatilité des cours de clôture quotidiens de sept principaux indices boursiers mondiaux par rapport aux modèles concurrents.

« Non seulement les investisseurs qui utilisent GARCH comme ressource seront intéressés par ces résultats », a déclaré Xu, « mais notre modèle est précieux pour d'autres applications impliquant la modélisation et la prévision de séries chronologiques, comme les véhicules autonomes et GenAI. »

« C'est un excellent exemple du pouvoir que les méthodes d'ingénierie peuvent apporter à d'autres domaines », a déclaré Chris McComb, professeur agrégé de génie mécanique. « En nous inspirant de l'apprentissage automatique basé sur la physique et en travaillant en étroite collaboration avec des experts en la matière, nous avons introduit une nouvelle voie pour construire des modèles généraux de séries chronologiques à des fins de prévision. »

L'étude a été publiée dans le cadre du Actes de la 5e Conférence internationale de l'ACM sur l'IA en financeet a été réalisé en collaboration avec John Liechty de la Pennsylvania State University, Sebastian Benthall de l'Université de New York et Nicholas Skar-Gislinge de l'Université de Lund.