În https://github.com/thierrymoudiki/2025-09-05-transfer-learning-ridge2f, predau ahead::ridge2f (De asemenea, disponibil Python) pe 1000 de rentabilități ale stocurilor sintetice folosind optimizarea Bayesiană și testează performanța sa (rata de acoperire și scorul Winkler pentru moment) pe datele reale ale pieței.
Iată cum am obținut rentabilitățile stocurilor sintetice:
Procesul general din model simulează returnarea activelor în timp, integrând volatilitatea stocastică, comutarea regimului, salturile și zgomotul de microstructură. La fiecare pas (t ), return (r_t ) este dat de:
(r_t = mu + sqrt {v_t} cdot epsilon_t + j_t + epsilon _ { text {zgomot}} )
unde ( mu ) este termenul de derivă, ( sqrt {v_t} ) este volatilitatea la timp (t ), ( epsilon_t sim mathcal {n} (0, 1) ) este un șoc aleatoriu dintr -o distribuție normală standard, (j_t text {este componenta de salt și ) rezide Zgomot de microstructura. Procesul de volatilitate (v_t ) urmează un SDE de revenire medie inspirat de modelul Heston:
(dv_t = kappa ( theta – v_t) dt + sigma_v sqrt {v_t} dw_t )
Unde ( kappa ) este viteza medie de inversare, ( theta ) este volatilitatea medie pe termen lung, ( sigma_v ) este volatilitatea volatilității, iar (w_t ) este un proces wiener. Salturile sunt modelate folosind un proces Poisson cu intensitate ( lambda _ { text {jump}} ), iar dimensiunea saltului (j_t ) este extrasă dintr-una dintre cele trei distribuții: normal ( mathcal {n} (0, sigma _ { text {jump}}) ), log-norme ( log j_t {sim}) ), log-norme ( log j_t {sim}) ), log-norme ( log j_t {sim}) ), log-norme ( log j_t {sim}) ), log-norme Mathcal {n} (- frac {1} {2} sigma _ { text {jump}}^2, sigma _ { text {jump}}) ), sau expoponential (j_t sim text {exp} ( sigma _ { text {jump}}) ). Comutarea regimului este modelată ca un proces Markov în două state, unde parametrii de volatilitate ( kappa ) și ( theta ) sunt diferiți pentru fiecare stat, iar tranzițiile dintre regimuri sunt guvernate de o matrice de tranziție ( mathbf {p} ), unde: ( mathbf {p} = begin {BMATX \ p_ {21} & p_ {22} end {bmatrix} ) cu (p_ {11} ) și (p_ {22} ) fiind probabilitățile de a rămâne în starea actuală, iar (p_ {12} ) și (p_ {21} ) fiind probabilitățile regimurilor comutatoare. În cele din urmă, Microstructure Noise ( Epsilon _ { text {Noise}} ) este modelat ca normal ( Mathcal {n} (0, text {Noise Scale}) ) sau a elevului T-Distribution (t _ { nu} ), captarea efectelor pieței mici. Împreună, aceste componente se combină pentru a simula dinamica de returnare a activelor realiste, reflectând evoluția continuă a volatilității, salturile discrete, schimbările regimului și zgomotul de microstructură de piață.
Mai multe detalii despre acest model (utilizat efectiv într -un cadru industrial):
