Titelaufnahme
Titelaufnahme
- TitelModelling and forecasting financial and economic time series using neural networks and classical statistical models / Shujie Li
- Autor
- Gutachter
- Erschienen
- Umfang1 Online-Ressource (IX, 12 Seiten, Seite 121-138)
- HochschulschriftKumulative Dissertation Universität Paderborn, Dissertation, 2026
- AnmerkungTag der Verteidigung: 28.07.2026
- Verteidigung2026-07-28
- SpracheEnglisch
- DokumenttypDissertation
- Schlagwörter (GND)
- URN
- DOI
Links
- Social MediaShare
- Nachweis
- IIIF
Download
Klassifikation
Zusammenfassung
Die präzise Modellierung ökonomischer und finanzieller Zeitreihen ist für Prognosen von entscheidender Bedeutung. Sie hilft dabei, verborgene Muster zu erkennen und ein besseres Verständnis des zugrunde liegenden Prozesses zu gewinnen. Einer der wesentlichen Beiträge dieser Dissertation ist die Integration eines Feedforward Neural Network (FFNN) mit traditionellen Ansätzen zur Verbesserung der Prognoseleistung. Neuronale Netze gelten als universelle Funktionsapproximatoren, da sie vollständig datengetrieben sind und kein Vorwissen über die Daten erfordern. Empirische Ergebnisse zeigen jedoch, dass sie bei Rohdaten möglicherweise schlecht abschneiden. Um diese Einschränkung zu adressieren, wird die Zeitreihe in eine Trendkomponente und einen trendstationären Fehlerprozess zerlegt. Dabei werden sowohl deterministische als auch stochastische Trends berücksichtigt. Ersterer wird nichtparametrisch mittels lokaler polynomialer Regression geschätzt, während Letzterer durch einen Differenzenfilter erfasst wird. Der resultierende trendbereinigte Prozess wird anschließend mit einem FFNN modelliert.Traditionelle Modelle werden in dieser Arbeit zur Prognose des bedingten Mittelwerts angewendet, einschließlich Varianten des Random Walk, autoregressiver Moving-Average-Modelle (ARMA), fraktional integrierter ARMA-Modelle (FARIMA) sowie ihrer semiparametrischen Erweiterungen, nämlich semiparametrisches ARMA (Semi-ARMA) und semiparametrisches FARIMA (Semi-FARIMA). Bei Varianten des Random Walk berücksichtigt der Differenzenfilter den stochastischen Trend, während Semi-ARMA und Semi-FARIMA ARMA- und FARIMA-Modelle auf den durch lokale polynomiale Regression trendbereinigten Prozess anwenden.Die Volatilitätsschätzung spielt eine zentrale Rolle im Risikomanagement, insbesondere für Risikomaße wie Value at Risk (VaR) und Expected Shortfall (ES). Ein fortgeschrittener Typ rekurrenter neuronaler Netze (RNNs) wird für die Prognose der bedingten Volatilität verwendet, und seine Leistung wird mit Modellen der exponentiellen GARCH-(EGARCH-)Familie über mehrere Verteilungen hinweg hinsichtlich der Prognose von VaR und ES verglichen. Dieser Vergleich liefert Einblicke in die relative Leistung des neuronalen Netzmodells und traditioneller Volatilitätsmodelle für die Risikomessung. Darüber hinaus werden auch semiparametrische Erweiterungen der Modelle der EGARCH-Familie zur Volatilitätsschätzung eingesetzt. Um komplexe Dynamiken im Mittelwert und in der Varianz gleichzeitig zu erfassen, schlägt diese Dissertation ferner eine Methode mit dualem Trend und dualem Long Memory vor. Innerhalb dieser Methodik werden semiparametrische Modelle gemeinsam verwendet, um sowohl das erste als auch das zweite Moment zu schätzen. Diese Modelle sind in der Lage, Trenddynamiken und Long-Memory-Verhalten zu erfassen, ohne systematische Muster in den Residuen zu hinterlassen.
Abstract
Accurate modeling of economic and financial time series is essential for forecasting. It helps detect hidden patterns and gain a better understanding of the underlying process. One of the key contributions of this dissertation is the integration of a feedforward neural Network (FFNN) with traditional approaches to improve forecasting performance. Neural networks are considered universal function approximators because they are fully data-driven and require no prior knowledge of the data. However, empirical results show that they may perform poorly on raw data. To address this limitation, the series is decomposed into a trend component and a trend-stationary error process. Both deterministic and stochastic trends are considered. The former is estimated nonparametrically via local polynomial regression, while the latter is captured through a differencing filter. The resulting trend-adjusted process is then modeled with a FFNN. Traditional models are applied to forecast the conditional mean in this thesis, including random walk variants, autoregressive moving average (ARMA), fractionally integrated ARMA (FARIMA) and their semiparametric extensions, namely semiparametric ARMA (Semi-ARMA) and semiparametric FARIMA (Semi-FARIMA). For random walk variants, the differencing filter accounts for the stochastic trend, while Semi-ARMA and Semi-FARIMA apply ARMA and FARIMA models to the detrended process obtained from local polynomial regression.Volatility estimation plays a key role in risk management, particularly for risk measures like value at risk (VaR) and expected shortfall (ES). An advanced type of recurrent neural networks (RNNs) is used for conditional volatility forecasting and its performance is compared with exponential GARCH (EGARCH) family models across multiple distributions in terms of VaR and ES forecasting. This comparison provides insights into the relative performance of the neural network model and traditional volatility models for risk measurement. Moreover, semiparametric extensions of the EGARCH family models are also employed for volatility estimation. To capture complex dynamics in both the mean and variance simultaneously, this dissertation further proposes a dual-trend and dual long-memory framework. Within this framework, semiparametric models are jointly used to estimate both the first and second moments. This framework is able to capture trend dynamics and long-memory behavior while leaving no systematic patterns in the residuals.
Inhalt
Statistik
- Das PDF-Dokument wurde 15 mal heruntergeladen.
Lizenz-/Rechtehinweis
