Dati ad alta frequenza e volatilità: i modelli ibridi HEAVY-ESN e HARQ-ESN

Abstract

La tesi è realizzata su ispirazione del modello ibrido HAR-ESN-PSO proposto da Gabriel Trierweiler Ribeiro, Andre Alves Portela Santos, Viviana Cocco Mariani e Leandro dos Santos Coelho all’interno della pubblicazione “Novel hybrid model based on echo state neural network applied to the prediction of stock price return volatility”. Tale modello è stato congegnato con lo scopo di utilizzare i dati ad alta frequenza per l’analisi e lo studio della volatilità di serie storiche finanziarie. La volatilità è stimabile attraverso un ampio novero di realized measure, ossia stimatori non parametri della volatilità. La presente tesi è volta a offrire dei modelli ibridi alternativi per lo studio e la previsione della volatilità. Le strutture alternative intendono esplorare il modello Heavy di Sheppard e Shephard, particolarmente indicato per le previsioni per orizzonti temporali brevi e il modello HAR-Q di Bollerslev, un’estensione del modello HAR di Corsi che integra la variabile della realized quarticity. Questi modelli sono integrati in due separate strutture ibride insieme alla echo state network, una particolare tipologia di rete neurale ricorrente che presenta uno strato nascosto denominato "serbatoio" composto da numerosi neuroni connessi in modo sparso. Infine, per quanto concerne l’ottimizzazione degli iperparametri della rete neurale artificiale si fa ricorso a due distinti algoritmi di ottimizzazione: il particle swarm optimization (PSO) e l’artificial bee colony (ABC).