Anwendung von Deep Learning in der Prognose der Volatilität des DAX: Ein Vergleich der Prognosegüte von GARCH und LSTM

Nico Knuth () and Andreas Nastansky ()
Additional contact information
Andreas Nastansky: Hochschule für Wirtschaft und Recht (HWR) Berlin

No 59, Statistische Diskussionsbeiträge from Universität Potsdam, Wirtschafts- und Sozialwissenschaftliche Fakultät

Abstract: Die Fähigkeit Volatilität präzise vorherzusagen, ist von zentraler Bedeutung für das Risikomanagement in Banken und für das Treffen fundierter Anlageentscheidungen. In diesem Beitrag wird der Einsatz von Deep-Learning-Methoden − speziell des Long Short-Term Memory (LSTM)-Netzwerkes − zur Prognose der Volatilität des Deutschen Aktienindex analysiert. Hierbei wird die Prognosegüte des LSTMs mit der von gängigen zeitreihenökonometrischen Ansätzen, wie den Generalized Autoregressive Conditional Heteroscedaticity (GARCH)- Modellen, verglichen. Obwohl LSTMs in vielen Bereichen zunehmend Anwendung finden, ist ihr Einsatz in der Vorhersage von Finanzmarktzeitreihen im Vergleich zu etablierten ökonometrischen Modellen noch wenig untersucht. Die empirischen Ergebnisse zeigen, dass das LSTM verschiedene symmetrische und asymmetrische GARCH-Modelle in Bezug auf die Vorhersagegenauigkeit sowohl im Trainings- als auch im Testdatensatz deutlich übertrifft. Künstliche Neuronale Netze bieten eine bessere Generalisierungsfähigkeit und niedrigere Prognosefehler. Gleichzeitig werden Herausforderungen des Einsatzes neuronaler Netze im stark regulierten Bankensektor diskutiert.

Keywords: asymmetrische Volatilität; GARCH; LSTM; Künstliche Neuronale Netze; Volatilitätsprognosen (search for similar items in EconPapers)
JEL-codes: C45 C58 G17 (search for similar items in EconPapers)
Date: 2025-03
New Economics Papers: this item is included in nep-cmp
References: View references in EconPapers View complete reference list from CitEc
Citations:

Downloads: (external link)
https://doi.org/10.25932/publishup-67486

Related works:
This item may be available elsewhere in EconPapers: Search for items with the same title.

Export reference: BibTeX RIS (EndNote, ProCite, RefMan) HTML/Text

Persistent link: https://EconPapers.repec.org/RePEc:pot:statdp:59

Access Statistics for this paper

More papers in Statistische Diskussionsbeiträge from Universität Potsdam, Wirtschafts- und Sozialwissenschaftliche Fakultät Contact information at EDIRC.
Bibliographic data for series maintained by Marco Winkler ().