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

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.