Прогнозирование реализованной волатильности фондовых индексов алгоритмом сверхслучайных деревьев: ablation-исследование гиперпараметров
Получена: 2026-07-18
Опубликована: 2025-06-29
Аннотация
В работе представлено систематическое исследование влияния трёх ключевых гиперпараметров алгоритма сверхслучайных деревьев (ExtraTreesRegressor) — числа базовых деревьев N, максимальной глубины max_depth и минимального числа наблюдений в листе min_samples_leaf — на качество прогнозирования реализованной волатильности фондовых индексов и акций на горизонте k = 5 торговых дней. Эксперименты проведены на четырёх инструментах (AAPL, TSLA, ^GSPC, ^IXIC) на 11-летней истории дневных торгов (2015–2026) и протоколе expanding-window walk-forward с K = 22 расширяющимися складками. Из 13 уникальных конфигураций ExtraTrees (всего 1144 независимых прогона) установлено, что: (1) увеличение N свыше 100 даёт пренебрежимо малое снижение RMSEпри росте времени обучения в 10 раз; (2) ограничение max_depth = 6–9 обеспечивает наименьший RMSE, что отражает компромисс bias–variance в условиях сильно зашумлённой целевой переменной; (3) увеличение min_samples_leaf от 5 до 50 монотонно снижает RMSE на 11–16 % за счёт регуляризации листьев. Лучшая конфигурация достигает RMSE = 0.00403 для индекса ^GSPC, сравнимого с LightGBM (0.00392) и XGBoost (0.00403). Результаты обеспечивают практические рекомендации по выбору гиперпараметров для прогнозирования волатильности на дневной частоте данных.
Ключевые слова
Список литературы
-
Andersen T.G., Bollerslev T., Diebold F.X., Labys P. The distribution of realized exchange rate volatility // Journal of the American Statistical Association. — 2001. — Vol. 96(453). — P. 42–55.
-
Geurts P., Ernst D., Wehenkel L. Extremely randomized trees // Machine Learning. — 2006. — Vol. 63(1). — P. 3–42.
-
Breiman L. Random Forests // Machine Learning. — 2001. — Vol. 45(1). — P. 5–32.
-
Chen T., Guestrin C. XGBoost: A scalable tree boosting system // Proc. 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. — 2016. — P. 785–794.
-
Ke G., Meng Q., Finley T., Wang T., Chen W., Ma W., Ye Q., Liu T.-Y. LightGBM: A highly efficient gradient boosting decision tree // Advances in Neural Information Processing Systems (NeurIPS). — 2017. — Vol. 30. — P. 3146–3154.
-
Gu S., Kelly B., Xiu D. Empirical asset pricing via machine learning // Review of Financial Studies. — 2020. — Vol. 33(5). — P. 2223–2273.
-
Fischer T., Krauss C. Deep learning with LSTM for financial market predictions // European Journal of Operational Research. — 2018. — Vol. 270(2). — P. 654–669.
-
Sezer O.B., Gudelek M.U., Ozbayoglu A.M. Financial time series forecasting with deep learning: A systematic literature review // Applied Soft Computing. — 2020. — Vol. 90. — Art. 106181.
-
Lo´pez de Prado M. Advances in Financial Machine Learning. — Hoboken: Wiley, 2018. — 395 p.
-
Hamilton J.D. Time Series Analysis. — Princeton University Press, 1994. — 799 p.
-
Tsay R.S. Analysis of Financial Time Series. — 3rd ed. — Hoboken: Wiley, 2010. — 720 p.
-
Friedman J.H. Greedy function approximation: a gradient boosting machine // Annals of Statistics. — 2001. — Vol. 29(5). — P. 1189–1232.
-
Pedregosa F., Varoquaux G., Gramfort A. et al. Scikit-learn: Machine learning in Python // Journal of Machine Learning Research. — 2011. — Vol. 12. — P. 2825–2830.
-
Efron B., Tibshirani R.J. An Introduction to the Bootstrap. — New York: Chapman & Hall, 1993. — 436 p.
-
Engle R.F. Autoregressive conditional heteroscedasticity with estimates of the variance of United Kingdom inflation // Econometrica. — 1982. — Vol. 50(4). — P. 987–1007.
Об авторах
Лицензия
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.