Pronóstico del VIX empleando aprendizaje profundo bayesiano
Cargando...
Archivos
Fecha
Autores
Título de la revista
Publicado en
Publicado por
URL de la fuente
Enlace a contenidos multimedia
ISSN de la revista
Título del volumen
Resumen
Recientemente, las técnicas de aprendizaje profundo están reemplazando gradualmente a los modelos estadísticos y de aprendizaje automático tradicionales como la primera opción para las tareas de pronóstico de precios. En este trabajo, empleamos el aprendizaje profundo probabilístico para inferir el índice de volatilidad VIX. Empleamos la versión probabilística de WaveNet, Temporal Convolutional Network (TCN) y Transformers. Mostramos que TCN supera a todos los modelos con un RMSE de alrededor de 0,189. Además, es bien sabido que las redes neuronales modernas proporcionan estimaciones de incertidumbre inexactas. para resolver este problema, utilizamos la escala de desviación estándar para calibrar las redes. Además, encontramos que MNF con una a priori Gaussiana supera a los modelos de Re parametrización Trick y Flipout en términos de precisión y predicciones de incertidumbre. Finalmente, encontramos que MNF con distribuciones a priori de Cauchy y LogUniforme producen redes de Transformers, TCN y WaveNet bien calibradas, siendo TCN las que mejor infieren los valores de VIX.
Descripción
Abstract
Recently, deep learning techniques are gradually replacing traditional statistical and machine learning models as the first choice for price forecasting tasks. In this paper, we leverage probabilistic deep learning for inferring the volatility index VIX. We employ the probabilistic counterpart of WaveNet, Temporal Convolu-tional Network (TCN), and Transformers. We show that TCN outperforms all models with an RMSE around 0.189. In addition, it has been well known that modern neural networks provide inaccurate uncertainty estimates. For solving this problem, we use the standard deviation scaling to calibrate the networks. Furthermore, we found out that MNF with Gaussian prior outperforms Repa-rameterization Trick and Flipout models in terms of precision and uncertainty predictions. Finally, we claim that MNF with Cauchy and LogUniform prior dis- tributions yield well calibrated TCN, Transformers and WaveNet networks being the former that best infer the VIX values.
Palabras clave
Índice de volatilidad, Redes neuronales bayesianas, Pronóstico, Calibración