Title: Stochastic Volatility Modelling with LSTM Networks: A Hybrid Approach for S&P 500 Index Volatility Forecasting
ArXiv ID: 2512.12250
발행일: 2025-12-13
저자: Anna Perekhodko, Robert Ślepaczuk
📝 초록 (Abstract)
정확한 변동성 예측은 은행, 투자 및 리스크 관리 등 다양한 분야에서 중요하며, 미래 시장 동향에 대한 기대가 현재 의사결정을 직접적으로 영향 미친다. 본 연구는 확률적 변동성 모델과 장단기 메모리 신경망(LSTM)을 통합한 하이브리드 모델링 프레임워크를 제안한다. SV 모델은 통계적인 정확성을 제공하고 예상치 못한 사건에 대한 잠재적인 변동성 동태를 포착하는 데 기여하며, LSTM 네트워크는 금융 시계열 데이터에서 복잡하고 비선형 패턴을 감지할 수 있는 능력을 향상시킨다. 예측은 1998년 1월 1일부터 2024년 12월 31일까지의 S&P 500 지수 일별 데이터를 사용하여 수행되며, 모델을 학습하고 단계적 변동성 예측을 생성하기 위해 롤링 윈도우 접근법이 사용된다. 하이브리드 SV-LSTM 모델의 성능은 통계 테스트와 투자 시뮬레이션을 통해 평가되며, 결과는 하이브리드 접근법이 독립적인 SV 및 LSTM 모델보다 우수함을 보여준다. 이러한 발견들은 변동성 예측 기술의 지속적인 발전에 기여하고 S&P 500의 리스크 평가와 전략적 투자 계획 강화를 위한 견고한 기반을 제공한다.
💡 논문 핵심 해설 (Deep Analysis)
본 연구는 금융 시장에서 변동성 예측의 중요성을 강조하며, 이를 위해 확률적 변동성(SV) 모델과 장단기 메모리(LSTM) 신경망을 통합한 하이브리드 모델링 프레임워크를 제안한다. SV 모델은 통계적인 정확성과 잠재적인 변동성 동태를 포착하는 능력을 제공하며, 특히 예상치 못한 사건에 대한 반응에서 유용하다. 한편, LSTM 네트워크는 금융 시계열 데이터에서 복잡하고 비선형 패턴을 감지할 수 있는 능력이 있어, SV 모델의 통계적 정확성과 결합하여 더 우수한 예측 성능을 제공한다. 본 연구에서는 S&P 500 지수 일별 데이터를 사용해 1998년부터 2024년까지의 기간 동안 롤링 윈도우 접근법을 통해 모델을 학습하고 단계적 변동성 예측을 생성한다. 성능 평가는 통계 테스트와 투자 시뮬레이션을 통해 이루어지며, 결과는 하이브리드 SV-LSTM 모델이 독립적인 SV 및 LSTM 모델보다 우수함을 보여준다. 이러한 발견은 변동성 예측 기술의 발전에 크게 기여하며, S&P 500 시장에서 리스크 평가와 전략적 투자 계획 강화를 위한 견고한 기반을 제공한다.
📄 논문 본문 발췌 (Excerpt)
정확한 변동성 예측은 은행, 투자 및 리스크 관리 등 다양한 분야에서 중요하며, 미래 시장 동향에 대한 기대가 현재 의사결정을 직접적으로 영향 미친다. 본 연구는 확률적 변동성(SV) 모델과 장단기 메모리(LSTM) 신경망을 통합한 하이브리드 모델링 프레임워크를 제안한다. SV 모델은 통계적인 정확성을 제공하고 예상치 못한 사건에 대한 잠재적 변동성 동태를 포착하는 데 기여하며, LSTM 네트워크는 금융 시계열 데이터에서 복잡하고 비선형 패턴을 감지할 수 있는 능력을 향상시킨다. 예측은 1998년 1월 1일부터 2024년 12월 31일까지의 S&P 500 지수 일별 데이터를 사용하여 수행되며, 모델을 학습하고 단계적 변동성 예측을 생성하기 위해 롤링 윈도우 접근법이 사용된다. 하이브리드 SV-LSTM 모델의 성능은 통계 테스트와 투자 시뮬레이션을 통해 평가되며, 결과는 하이브리드 접근법이 독립적인 SV 및 LSTM 모델보다 우수함을 보여준다. 이러한 발견들은 변동성 예측 기술의 지속적인 발전에 기여하고 S&P 500의 리스크 평가와 전략적 투자 계획 강화를 위한 견고한 기반을 제공한다.
