В данной работе рассматривается задача многопериодного прогнозирования реализованной волатильности (realized volatility, ) и системного бэк-тестирования торговых стратегий для опционов на торгуемые биржевые фонды (Exchange-Traded Fund, ETF). Цель исследования - построение моделей глубокого обучения для многопериодного прогнозирования волатильности активов, таких как SPY и QQQ, и проверка эффективности прогнозов в рамках бэк-тестирования опционных стратегий. Для прогнозирования было использовано несколько архитектур нейронных сетей: LSTM, GRU, BiLSTM, BiGRU, FNN и NBEATSx, а также базовая эконометрическая модель HAR-RV для сравнения. В исследовании вводится новая функция потерь, квантильный лог-гиперболический косинус, для повышения точности прогнозов на высоких значениях волатильности. Точность моделей оценивалась на основе метрик MSE, MAE, MAPE и скорр., что показало превосходство рекуррентных архитектур. С целью апробации в условиях различных рыночных сценариев полученные прогнозы реализованной волатильности были использованы в бек-тестировании двух опционных стратегий: стрэддл и v-скальпинг.
Предпросмотр статьи
