Monitoring conditional volatility change of GARCH time series based on Neural Network

Abstract

In this paper, we discuss a method for detecting and monitoring the point where conditional volatility changes in the ARMA-GARCH time series using a sequential neural network model. In a stationary time series, we predict the future values and volatilities with the values of the previous point in time using a sequential neural network model such as LSTM or GRU. After creating test statistics with the predicted values obtained from the previous process, we perform a monitoring process based on the CUSUM test to detect points that proceed differently from the previous ones, especially the point where conditional volatility increases rapidly. In the process, we find appropriate hyperparameters through a grid search, then apply the monitoring process in simulation data and stock price data S\&P 500 and the KOSPI index, and analyze the results finally.

본 연구에서는 순환 신경망 모델을 사용하여 자기회귀(AR) 이동평균(MA) - 일반화 자기회귀이분산성(GARCH) 시계열에서 조건부 변동성이 변화하는 지점을 감지하고 모니터링하는 방법에 대해 논의한다. 주어진 정상 시계열 데이터를 LSTM이나 GRU와 같은 순환 신경망 모델을 이용하여 이전 시점의 관측값으로 미래 시점의 예측값과 변동성을 구한다. 그 과정에서 얻은 예측값으로 적절한 통계량을 만든 후, 시계열의 진행이 변하는 지점, 특히 조건부 변동성이 급격히 증가하는 점을 탐지하기 위해 CUSUM 테스트 기반 모니터링을 수행한다. 예측에 필요한 적절한 하이퍼파라미터는 그리드 서치를 이용하고, 시뮬레이션 데이터 및 실제 주가 데이터 S\&P 500과 KOSPI 지수에서 모니터링 과정을 적용하고 결과를 분석한다.