Can Image-Based Convolutional Neural Networks Forecast Volatility?

Abstract

Cílem práce je zjistit, zda konvoluční neuronové sítě (KNS) mohou pomoci predikovat volatilitu finančních trhů. Jako dosud první akademická práce převádí cenové a objemové ukazatele indexu E-Mini S&P 500 z let 2010 až 2019 na obrázky a snaží se předpovědět úroveň realizované volatility na jeden den dopředu. Výsledky naznačují, že tato metoda generuje rozumné predikce, ale ve srovnání s referenčními standardními modely používanými v literatuře není tak přesná, pravděpodobně kvůli jejich autoregresivní vlastnosti. Kromě tohoto zjištění se jako nejlepší délka vstupních dnů ve specifikaci KNS jeví jeden měsíc, následovaný týdnem a čtvrtletím, které dosahují podobných hodnot. Tyto závěry byly rovněž podrobeny testu robustnosti, který však nepřinesl žádné protichůdné důkazy. Klíčová slova Volatilita, Akciový Trh, KNS, Hluboké učení, Klasifikace Obrázků

The thesis aims to investigate whether image-based convolutional neural networks (CNN) can help predict volatility of financial markets. Unlike any other academic work, it converts price and volume indicators of the index E-Mini S&P 500 from 2010 to 2019 into pictures and strives to forecast one day ahead level of realised volatility. The results suggest that this method can produce reasonable outcomes, but lacks in accuracy compared to benchmark standard models used in the literature, probably due to their autoregressive feature. Apart from this finding, the best length of the input days in the CNN specification appears to be one month, followed by a week and quarter, which achieve similar results. These conclusions were also subject to a robustness check, which, however, did not generate any contradictory evidence. Keywords Volatility, Stock Market, CNN, Deep Learning, Image Classification