Enhancing Neural Network Forecasts using Forecast Linear Augmented Projection Method
Forecasting stock prices and volatility is crucial in making better investment decisions. Recently, there has been a growing interest in studying the Forecast Linear Augmented Projection (FLAP) method for multivariate time series to reduce the mean squared error (MSE) of long-term forecasts. FLAP method consists of three steps: formation of principal components, forecasting original and component series (base forecasts), and projection on base forecasts. First, this paper shows that the non-linear predictor (conditional mean) has a smaller MSE than the linear predictor. Moreover, the empirical study based on stock prices and volatility shows that non-linear neural network autoregressive (NNAR) model-based forecasts with FLAP are superior to the commonly used linear auto-regressive integrated moving average (ARIMA) model forecasts with FLAP. In a simulation study, the FLAP method has been used with the NNAR model with non-normal error distributions such as t and Laplace distributions.
Amélioration des prévisions des réseaux de neurones à l'aide de la méthode de projection augmentée linéaire
La prévision des cours boursiers et de la volatilité est essentielle pour prendre de meilleures décisions d'investissement. Récemment, la méthode de projection augmentée linéaire (FLAP) pour les séries temporelles multivariées a suscité un intérêt croissant, dans le but de réduire l'erreur quadratique moyenne (EQM) des prévisions à long terme. La méthode FLAP comprend trois étapes : la formation de composantes principales, la prévision de séries originales et de composantes (prévisions de base) et la projection sur les prévisions de base. Tout d'abord, cet article montre que le prédicteur non linéaire (moyenne conditionnelle) a une EQM plus faible que le prédicteur linéaire. De plus, une étude empirique basée sur les prix d'actions et la volatilité montre que les prévisions basées sur le modèle autorégressif non linéaire à réseau de neurones (NNAR) avec FLAP sont supérieures aux prévisions basées sur le modèle linéaire auto-régressif à moyenne mobile intégrée (ARIMA) couramment utilisé avec FLAP. Dans une étude de simulation, la méthode FLAP a été utilisée avec le modèle NNAR avec des distributions d'erreur non normales telles que les distributions t et Laplace.
Date and Time
-
Langue de la présentation orale
Anglais
Langue des supports visuels
Anglais