Fuzzy Volatility Models with Application to the Russian Stock Market

Мұқаба

Дәйексөз келтіру

Толық мәтін

Аннотация

Volatility modeling and forecasting is a topical problem both in scientific circles and in the practice. This paper develops an approach combining the GARCH model and fuzzy logic. The Takagi–Sugeno fuzzy inference scheme is adopted to fuzzify an original autoregression model (the conditional heteroskedasticity model). As a result, several different local GARCH models can be used in different input data domains with soft switching between them. This approach allows considering such phenomena as volatility clustering and asymmetric volatility (the properties of real financial markets). The proposed algorithm is applied to the historical values of the RTS Index and is compared with the classical GARCH model. As demonstrated below, in several cases, fuzzy models have advantages over traditional ones, namely, higher forecasting accuracy. Thus, the proposed method should be considered among others when modeling the volatility of the Russian financial market instruments: it demonstrates qualities superior to the conventional counterparts.

Негізгі сөздер

Авторлар туралы

V. Sviyazov

National Research University Higher School of Economics

Хат алмасуға жауапты Автор.
Email: v.sviyazov.96@gmail.com
Moscow, Russia

Әдебиет тізімі

  1. Hung, J.C. A Fuzzy Asymmetric GARCH Model Applied to Stock Markets // Information Sciences. – Elsevier, 2009. – Vol. 179, no. 22. – P. 3930–3943.
  2. Lepskiy, A., Suevalov, A. Application of Fuzzy Asymmetric GARCH-Models to Forecasting of Volatility of Russian Stock Market // Advances in Intelligent Systems and Computing. – Springer Verlag, 2018. – Vol. 679. – P. 286–294.
  3. Luna, I., Ballini, R. Adaptive Fuzzy System to Forecast Financial Time Series Volatility // Journal of Intelligent and Fuzzy Systems. – 2012. – Vol. 23. – P. 27–38. – doi: 10.3233/IFS-2012-0491.
  4. Maciel, L., Gomide, F., Ballini, R. Enhanced Evolving Participatory Learning Fuzzy Modeling: An Application for Asset Returns Volatility Forecasting // Evolving Systems. – 2013. – Vol. 5. – P. 1–14. – doi: 10.1007/s12530-013-9099-0.
  5. Maciel, L., Gomide, F., Ballini, R. Evolving Fuzzy-GARCH Approach for Financial Volatility Modeling and Forecasting // Computational Economics. – Springer New York LLC, 2016. – Vol. 48, no 3. – P. 379–398.
  6. Popov, A.A., Bykhanov, K.V. Modeling Volatility of Time Series Using Fuzzy GARCH Models // Proceedings - 9th Russian-Korean International Symposium on Science and Technology. – 2005. – Vol. 1. – P. 687–692.
  7. Tan, L., Wang, S., Wang, K. A New Adaptive Network-Based Fuzzy Inference System with Adaptive Adjustment Rules for Stock Market Volatility Forecasting // Information Processing Letters. – 2017. – Vol. 127. – P. 32–36. – doi: 10.1016/j.ipl.2017.06.012
  8. Troiano, L., Mejuto, E., Kriplani, P. An Alternative Estimation of Market Volatility Based on Fuzzy Transform // IFSA-SCIS 2017 - Joint 17th World Congress of International Fuzzy Systems Association and 9th International Conference on Soft Computing and Intelligent Systems. – Otsu, 2017. – P. 1–6. –doi: 10.1109/IFSA-SCIS.2017.8023316.
  9. Thavaneswaran, A., Liang, Y., Zhu, Z., et al. Novel Data-Driven Fuzzy Algorithmic Volatility Forecasting Models with Applications to Algorithmic Trading // 2020 IEEE International Conference on Fuzzy Systems (FUZZ-IEEE). – Glasgow, 2020. – P. 1–8. – doi: 10.1109/FUZZ48607.2020.9177735
  10. Black, F., Scholes, M. The Pricing of Options and Corporate Liabilities // Journal of Political Economy. – 1973. – Vol. 81, no. 3. – P. 637–657.
  11. Hull, J.C. Options, Futures, and Other Derivatives. Ninth Edition. – London: Pearson, 2014. – 896 p.
  12. Bollerslev, T. Generalized Autoregressive Conditional Heteroskedasticity // Journal of Econometrics. – 1986. – Vol. 31, no. 3. – P. 307–327. – DOI: https://doi.org/10.1016/0304-4076(86)90063-1.
  13. Tsay, R.S. Analysis of Financial Time Series. Third Edition. – Hoboken: John Wiley & Sons, 2010. – 712 p.
  14. Engle, R.F. Autoregressive Conditional Heteroscedasticity with Estimates of the Variance of United Kingdom Inflation // Econometrica. – 1982. – Vol. 50, no. 4. – P. 987–1007.
  15. Engle, R.F., Ng, V.K. Measuring and Testing the Impact of News on Volatility // The Journal of Finance. [American Finance Association, Wiley]. – 1993. – Vol. 48, no. 5. – P. 1749–1778.
  16. Sentana, E. Quadratic ARCH Models // The Review of Economic Studies. [Oxford University Press, Review of Economic Studies, Ltd.]. – 1995. – Vol. 62, no. 4. – P. 639–661.
  17. Jagannathan, R., Glosten, L., Runkle, D. On the Relation between the Expected Value and the Volatility of the Nominal Excess Return on Stocks // Journal of Finance. – 1993. – Vol. 48. – P. 1779–1801.
  18. Zakoian, J.-M. Threshold Heteroskedastic Models // Journal of Economic Dynamics and Control. – 1994. – Vol. 18, no. 5. – P. 931–955.
  19. Fornari, F., Mele, A. Modeling the Changing Asymmetry of Conditional Variances // Economics Letters. North-Holland. – 1996. – Vol. 50, no. 2. – P. 197–203.
  20. Takagi, T., Sugeno, M. Fuzzy Identification of Systems and Its Applications to Modeling and Control // IEEE Transactions on Systems, Man, and Cybernetics. – 1985. – Vol. SMC-15, no. 1. – P. 116–132. doi: 10.1109/TSMC.1985.6313399.
  21. Sugeno, M., Kang, G.T. Structure Identification of Fuzzy Model // Fuzzy Sets and Systems. – 1988. – Vol. 28, no. 1. – P. 15–33.
  22. Пегат А. Нечеткое моделирование и управление. 2-е издание. – М.: БИНОМ. Лаборатория знаний, 2013. – 798 с. [Piegat, A. Fuzzy Modeling and Control. Second Edition. – Moscow: BINOM. Laboratoriya znanii, 2013. – 798 p. (In Russian)]
  23. Baczyński, M., Jayaram, B. Fuzzy Implications. – Berlin: Springer Berlin, Heidelberg, 2008. – 328 p.
  24. Angelov, P.P., Filev, D.P. An Approach to Online Identification of Takagi-Sugeno Fuzzy Models // IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics). – 2004. – Vol. 34, no. 1. – P. 484–498. – doi: 10.1109/TSMCB.2003.817053.
  25. Kostenetskiy, P.S., Chulkevich, R.A., Kozyrev, V.I. HPC Resources of the Higher School of Economics // Journal of Physics: Conference Series. – 2021. – Vol. 1740, no. 1. – Art. no. 012050. – doi: 10.1088/1742-6596/1740/1/012050

Қосымша файлдар

Қосымша файлдар
Әрекет
1. JATS XML
Жүктеу


Creative Commons License
Бұл мақала лицензия бойынша қолжетімді Creative Commons Attribution 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».