典型文献
高频数据下基于LSTM的协方差矩阵预测模型
文献摘要：
协方差矩阵的建模与预测,对于金融风险管理、投资组合管理等至关重要.针对时间序列模型对高维变量预测精度较低的问题,利用长短记忆神经网络模型(LSTM),提出了基于深度学习的高频数据已实现协方差矩阵预测模型.利用金融高频数据得到已实现协方差矩阵,对其进行DRD分解,针对相关系数矩阵R进行向量化处理,利用向量异质自回归模型(HAR)预测已实现相关系数矩阵R;针对已实现波动率矩阵D,利用半协方差(semi covariance)思想,结合LSTM模型,得到已实现波动率矩阵D的深度学习预测模型,构建了LSTM-SDRD-HAR已实现协方差矩阵动态预测模型.LSTM模型和HAR模型能捕捉实际数据的长期记忆性,半协方差有利于捕捉金融数据的杠杆性.实证分析表明:相较于传统向量HAR已实现协方差矩阵预测模型,LSTM-SDRD-HAR预测已实现协方差矩阵更为准确,基于LSTM-SDRD-HAR预测已实现协方差矩阵构造的有效前沿组合投资效果更佳.
文献关键词：
LSTM模型;协方差矩阵预测;已实现半协方差;Markowitz有效前沿
中图分类号：
作者姓名：
包悦妍
作者机构：
南京审计大学统计与数据科学学院,南京 211815
文献出处：
引用格式：
[1]包悦妍-.高频数据下基于LSTM的协方差矩阵预测模型)[J].重庆工商大学学报（自然科学版）,2022(06):65-70
A类：
协方差矩阵预测,SDRD,已实现半协方差
B类：
高频数据,金融风险管理,投资组合管理,时间序列模型,高维变量,变量预测,长短记忆神经网络,已实现协方差矩阵,相关系数矩阵,行向量,向量化,自回归模型,HAR,已实现波动率,semi,covariance,深度学习预测模型,动态预测模型,实际数据,长期记忆,记忆性,金融数据,杠杆,有效前沿,组合投资,投资效果,Markowitz
AB值：
0.230079
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
