ИСТИНА

Настоящее исследование показывает, что модели класса GARCH могут рассматриваться как рекуррентные нейросети. Такой новый взгляд позволяет расширить набор инструментальных методов, применяемых для моделирования волатильности, и совместить эконометрические модели GARCH и нейронные сети. Также появляется основание для расширения моделей GARCH путем использования таких исконно «нейросетевых» принципов как функции активации и «вентили» (англ. gate). Теоретическая новизна работы заключается в интерпретации смешанных моделей GARCH как рекуррентных неиросетей с линейной функцией активации между скрытыми состояниями. В отличие от обычных рекуррентных неиросетей, здесь скрытые состояния имеют простую интерпретацию: это «микро-дисперсии», из которых складывается моделируемая условная дисперсия. Также предложена модификация смешанной GARCH, в которой используется нелинейная функция активации между скрытыми состояниями. Эта модификация называется GARCH-RNN. Проведенные на реальных данных эксперименты показали, что предлагаемая модель GARCH-RNN вполне конкурентоспособна в задаче прогнозирования волатильности на один шаг вперёд.