混合 ARMA-GARCH-神经网络，用于高频交易中的日内策略探索
由googleglass创建，最终由googleglass 被浏览 11 用户
摘要
文章指出，在过去20年中，武装冲突的频率增加，这些冲突不仅影响社会层面，还对经济和金融领域产生重大影响。例如，“9·11”事件后，市场不确定性显著增加，投资受到抑制。地缘政治风险对经济周期和金融市场有显著影响，因此中央银行家和企业投资者常将地缘政治风险视为投资决策的重要因素。此外，地缘政治事件对不同行业的影响不同，例如旅游业可能受到负面影响，而国防行业则可能从中受益。
研究方法
方法文章提出了一个结合ARMA-GARCH模型和多种神经网络技术的混合模型，用于检测日内市场模式并预测国防股票市场和外汇市场的波动。这些技术包括：
- ARMA-GARCH-神经网络（NN）
- ARMA-GARCH-深度循环卷积神经网络（DRCNN）
- ARMA-GARCH-深度神经决策树（DNDT）
- ARMA-GARCH-量子神经网络（QNN）
- ARMA-GARCH-量子递归神经网络（QRNN）
ARMA-GARCH模型
ARMA-GARCH模型用于估计市场冲击，该模型结合了自回归移动平均（ARMA）和广义自回归条件异方差（GARCH）过程，能够捕捉时间序列数据的线性特征和波动性。
特征选择
文章使用互信息（Mutual Information）和冗余度（Redundancy）来选择对预测市场冲击最相关的特征。互信息衡量两个变量之间的相互依赖性，而冗余度则衡量特征之间的重复性。通过这两步特征选择过程，研究者能够筛选出对预测最有价值的特征。
神经网络集成
为了优化预测函数并避免过拟合，文章采用了集成神经网络方法。通过在每个移动窗口中对历史数据进行训练和验证，选择表现最佳的模型进行后续预测。此外，文章还采用了近邻K交叉验证（NK-CV）方法来评估每个神经网络模型的输出。
实验与结果
研究使用了2022年1月4日至12月19日的道琼斯美国航空航天与国防指数的日度数据，并考虑了在此期间发生的国际冲突，如阿富汗冲突、叙利亚内战、利比亚革命、也门内战和俄乌战争。此外，还分析了英镑和人民币的汇率时间序列数据（1990-2016年）。
预测性能
- 特征数量选择：通过随机样本预测试，研究发现20个输入变量在国防股票市场中表现最佳，而在汇率市场中，40个输入变量表现最佳。
- 预测准确性：使用最小冗余最大相关性（MRMR）和条件互信息最大化（CMIM）特征选择算法，结合随机交叉验证（Rand-CV）和近邻交叉验证（NK-CV）方法，研究发现CMIM在预测市场冲击方向上表现更好。
- 阈值集成投票技术：通过引入阈值调整，预测性能得到进一步提升。在国防股票市场中，所有方法的准确率在引入阈值后均有所提高，平均准确率在上升趋势中达到55.72%，在下降趋势中达到55.34%，均高于50%，表明模型能够准确预测市场冲击。
汇率市场预测
在汇率市场中，CMIM与Rand-CV方法结合时表现最佳，能够显著提高预测市场冲击方向的性能。对于英镑和人民币，CMIM在所有方法中的表现均优于MRMR。
关键结论
文章的混合模型（特别是ARMA-GARCH-QRNN）在预测市场冲击方面表现出色，准确率高于其他方法。这些发现对于投资市场参与者和投资组合经理具有重要意义，因为地缘政治事件的冲击可能为高频交易提供新的决策支持方法。此外，该研究还为理解国防股票市场和外汇市场在地缘政治事件中的动态和波动性提供了新的视角。
/wiki/static/upload/7f/7f06463b-de5d-4dc1-98e2-21bc563b7cb9.pdf
\