A comparison study of various SVR-GARCH models with applications to monitoring conditional volatility of stock markets

Abstract

In this paper, we compare the performance of the support vector regression (SVR) and asymmetric Huber SVR (AHSVR) based-monitoring methods using the monitoring scheme regarding the change of conditional volatilities of the generalized autoregressive conditional heteroskedastic (GARCH) model. Specifically, we obtain the residuals via respectively fitting SVR- and AHSVR-GARCH models to a given time series, and seek for the optimal set of tuning parameters through a grid search. We confirm that AHSVR-GARCH has a better performance than SVR-GARCH by conducting simulation experiments, and conclude that utilizing robust methods when computing residuals indeed strengthen the detection ability in general. Moreover, the data analysis of log returns of S&P500 and KOSPI is conducted to further showcase its applicability.

본 연구에서는 일반화 자기회귀이분산성(GARCH) 시계열 모형의 조건부 분산 변화에 관하여 모니터링 체계를 사용하여 SVR(support vector regression)과 비대칭 Huber SVR(AHSVR) 기반 모니터링 방법의 성능을 비교한다. 구체적으로, 우리는 각각 SVR-GARCH와 AHSVR-GARCH로 적합시켜 잔차를 얻고, 그리드 서치를 통해서 튜닝 파라미터의 최적의 조합을 찾는다. 그 다음 시뮬레이션 실험을 수행하여 AHSVR-GARCH가 SVR-GARCH의 성능이 우수함을 보여주고, 일반적으로 잔차를 계산할 때 로버스트 방법을 사용하는 것이 실제로 탐지 성능을 강화한다는 결론을 내린다. 또한, 실제 적용 가능성을 보여주기 위해 S&P 500과 KOSPI의 로그 수익률에 대한 데이터 분석을 수행한다.