Раним Гази Альдеки — PhD, доцент, кафедра банков и финансовых институтов
Дамаск
Raneem Ghazi Aldeki — PhD, Assist. Prof., Department of Banks and Financial Institutions
Damascus
В данной статье исследуются возможности классических методов (ARCH и GARCH) и известных алгоритмов машинного обучения, регрессии опорных векторов и гибридных методов. Целью данной работы является прогнозирование и предсказание волатильности для разработки двухэтапного подхода к прогнозированию волатильности индекса Амманской фондовой биржи (ASE). Кроме того, оценивается эффективность отбора и использования методов машинного обучения для анализа информации фондовых данных. Методы полупараметрической оценки, известные как регрессия опорных векторов (SVR), широко используются для прогнозирования волатильности в финансовых временных рядах. Интегрируя SVR с GARCH-моделью (GARCH-SVR), мы применяем различные ядра [радиальную базисную функцию ядра (RBF), полиномиальную функцию ядра (PF) и линейную функцию ядра (LF)]. Предложенные подходы к обучению сравниваются с двумя известными статистическими моделями временных рядов - авторегрессионной условной гетероскедастичностью (ARCH) и обобщенной авторегрессионной условной гетероскедастичностью (GARCH) - для оценки утверждения, что они могут правильно предсказывать волатильность ASE. Для сравнения результатов в качестве метрики ошибок используется RMSE. Получены доказательства того, что модель GARCH-SVR лучше всего предсказывает временные ряды волатильности, а классические методы моделирования волатильности имеют огромную предсказательную эффективность, превосходящую модели машинного обучения.
The major topic investigates how classical methods (ARCH and GARCH) and well-known machine learning algorithms, support vector regression, and hybrid methods. This paper aims to predict and forecast volatility to develop a two-stage forecasting approach the volatility of the Amman Stock Exchange Index (ASE) effectively. Additionally, the effectiveness of the machine learning techniques’ selection and utilization of information in stock data is evaluated. Methods the semiparametric estimating technique known as support vector regression (SVR) has been widely used for the prediction of volatility in financial time series. By integrating SVR with the GARCH model (GARCH-SVR) application with various kernels (Radial Basis Kernel Function (RBF), Polynomial Kernel Function (PF), and linear Kernel Function (lF)). The suggested learning approaches are compared to two well-known statistical time series models, Autoregressive Conditional Heteroskedasticity (ARCH) and Generalized Autoregressive Conditional Heteroskedasticity (GARCH), in order to assess the assertion that they can properly anticipate ASE volatility. To compare their results, RMSE is employed as an error metric. There is evidence that the GARCH-SVR model performs best for predicting volatility time series, and classical volatility model techniques have an enormous predictive performance better than machine learning models.
The authors declare that there are no conflicts of interest present.