Forecasting stock volatility with neural network on time varying transition probability

การพยาการณ์ความผันผวนของราคาหลักทรัพย์ด้วยโครงข่ายประสาทเทียมบนความน่าจะเป็นในการเปลี่ยนผ่านที่แปรผันตามเวลา

Name: Wasit Norakarntiansin

LCSH: Stock price forecasting

LCSH: Stock price indexes

LCSH: Neural networks (Computer science)

LCSH: Time-series analysis

LCSH: GARCH model

Abstract: Forecasting volatilities of financial security returns are important for many financial applications e.g., portfolio investment construction, risk management and trading strategy. The GARCH model has long been refined to capture the true dynamic of volatility on a security return. By applying the Markov switching to the GARCH model, the source of the temporary high volatility and high persistence of a shock to the volatility can be captured. In this study, we refine the Markov switching GARCH model further by applying the notion of the neural network to approximate the time varying transition probabilities. We aim to achieve a model that provides better return volatility prediction. The realized volatility of the SET index is investigated while many financial-macro data are used as input factors for the neural network from January 2012 to December 2022. From the empirical results, the models of one hidden layer with 3 to 6 nodes are suggested since a minor improvement can be observed. However, the significant improvement is still unclear and the models are exposed to the overfitting problem.

Abstract: การพยากรณ์ความผันผวนของผลตอบแทนหลักทรัพย์มีความสำคัญทางด้านการเงินในหลากหลายด้าน เช่น การจัดกลุ่มหลักทรัพย์เพื่อการลงทุน การบริหารความเสี่ยง และการกำหนดกลยุทธ์การซื้อขายหลักทรัพย์ แบบจำลอง GARCH ถูกพัฒนามาอย่างยาวนานเพื่อใช้ในการศึกษาพลวัตที่แท้จริงของความผันผวนของผลตอบแทนหลักทรัพย์ การประยุกต์แนวความคิดการสลับเปลี่ยนแบบมาร์คอฟกับแบบจำลอง GARCH ช่วยให้สามารถระบุสาเหตุของภาวะความผันผวนสูงแบบชั่วคราวและการคงอยู่ของ shock ที่ส่งผลต่อเนื่องต่อความผันผวนที่เกิดขึ้นแบบชั่วคราวได้ ในสารนิพนธ์นี้ แบบจำลอง Markov switching GARCH ได้ถูกปรับปรุงต่อโดยประยุกต์ใช้แนวคิดของโครงข่ายประสาทเทียมในการช่วยประมาณความน่าจะเป็นในการเปลี่ยนผ่านที่แปรผันตามเวลาของแบบจำลอง การปรับปรุงแบบจำลองนี้มีจุดประสงค์เพื่อที่จะได้แบบจำลองที่สามารถพยากรณ์ความผันผวนของผลตอบแทนหลักทรัพย์ให้มีความแม่นยำมากขึ้น สารนิพนธ์นี้ศึกษาแบบจำลองดังกล่าวกับความผันผวนที่เกิดขึ้นจริง (Realized volatility) ของดัชนีราคาหุ้นตลาดหลักทรัพย์แห่งประเทศไทยและใช้ข้อมูลทางด้านการเงินและด้านเศรษฐกิจมหภาคเป็นส่วนหนึ่งในปัจจัยนำเข้าสำหรับโครงข่ายประสาทเทียม โดยใช้ข้อมูลตั้งแต่มกราคม พ.ศ. 2555 จนถึงธันวาคม พ.ศ. 2565 จากผลการทดสอบเชิงประจักษ์พบว่าแบบจำลองที่ใช้ Hidden layer 1 ชั้น ร่วมกับ Node จำนวน 3 ถึง 6 นั้นมีความเหมาะสม เนื่องจากสามารถปรับปรุงการพยากรณ์ได้แม้เพียงเล็กน้อย อย่างไรก็ตามผลลัพธ์ที่ดีขึ้นอย่างมีนัยสำคัญยังไม่ถูกพบอย่างชัดเจนรวมถึงแบบจำลองยังมีความเสี่ยงต่อปัญหา Overfitting

Chulalongkorn University. Office of Academic Resources

Address: BANGKOK

Email: cuir@car.chula.ac.th

Name: Thaisiri Watewai

Role: Advisor

Issued: 2022

Modified: 2025-01-05

Issued: 2025-01-05

วิทยานิพนธ์/Thesis

application/pdf

URL: http://doi.org/10.58837/CHULA.IS.2022.28

eng

DegreeName: Master of Science

Level: Master's Degree

Descipline: Financial Engineering

Grantor: Chulalongkorn University

©copyrights Chulalongkorn University

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	6284064826.pdf	1.23 MB	1	2025-04-07 02:38:31

ใช้เวลา

0.029395 วินาที