Архив статей журнала
Рассматривается подход к прогнозированию реализованной волатильности ин-декса S&P 500 с помощью данных, извлекаемых из опционов благодаря теореме восстановления Росса. Цель настоящего исследования заключается в исследовании возможности использовать показатели, получаемые после применения теоремы восстановления Росса, в качестве экзогенных факторов в модели прогнозирования реализованной волатильности финансовых инструментов. Применяемая для достижения цели исследования методика исключает необходимость использования исторических котировок финансовых активов, фокусируясь исключительно на опционах. В работе проведено сравнение точности про-гнозирования реализованной волатильности между предлагаемыми моделями и базовым подходом HAR-RV. Эмпирические результаты показали, что предлагаемый подход обеспечивает более высокую точность предсказаний. Используемый подход в теореме восстановления Росса на основе аппроксимации функции плотности распределения базового актива опциона позволяет более точно учитывать ожидания участников рынка и их предпочтения к риску, что может стать статистически значимыми факторами в моделях прогнозирования различных финансовых индикаторов. Результаты исследования могут быть использованы для оценки систематического риска, прогнозирования ве-роятности коррекций и кризисов на финансовых рынках.
Потребление электроэнергии является ключевым фактором устойчивого развития в энергетической отрасли, и точное прогнозирование его изменений имеет важное значение для эффективного управления большими электро-энергетическими системами и ресурсами. Целью данного исследования является разработка математической (регрессионной) модели для прогнозирования поведения электропотребления на каждый час следующих суток для энергосбытовых компаний современными методами машинного обучения и искусственного интеллекта. Рассматриваются различные методы искус-ственного интеллекта, применяемые для моделирования и прогнозирования потребления электроэнергии. К этим методам относятся: линейная модель, случайный лес и две реализации градиентного бустинга над решающими деревьями. Научный подход, основанный на технологии искусственного интеллекта Boosting, позволяет максимально снизить ошибку прогнозирования электропотребления в крупных энергетических компаниях. Авторами разработана новая, полезная и качественная регрессионная модель, адекватно описывающая экспериментальные данные по потреблению электроэнергии за каждый час суток. Выполнено тестирование разработанной регрессионной моде-ли на реальных производственных данных энергетической компании. Проведенное исследование и полученные результаты позволяют авторам сделать вывод о том, что разработанная математическая модель методом машин-ного обучения LightGBM может быть использована энергосбытовыми компаниями для почасового планирования электропотребления при подаче заявок на оптовый рынок электроэнергии и мощности (ОРЭМ) на несколько дней вперед. Исследование было выполнено на языке программирования Python.