使用深度神经网络预测金融回报的概率分布

本研究评估了用于预测金融回报概率分布的深度神经网络。使用一维卷积神经网络（CNN）和长短期记忆（LSTM）架构来预测三种概率分布（正态、学生 t 分布和偏态学生 t 分布）的参数。通过自定义的负对数似然损失函数，直接优化分布参数。使用概率评估指标（包括对数预测分数（LPS）、连续排序概率分数（CRPS）和概率积分变换（PIT））对六个主要股指（S&P 500、BOVESPA、DAX、WIG、Nikkei 225 和 KOSPI）进行了模型测试。结果表明，深度学习模型能够提供准确的分布预测，并且在风险价值（Value-at-Risk）估计方面与经典的 GARCH 模型相比具有竞争力。在多个评估标准下，采用偏态学生 t 分布的 LSTM 模型表现最佳，能够同时捕捉金融回报的重尾性和不对称性。这项工作表明，深度神经网络是用于金融风险评估和投资组合管理的传统计量经济学模型的可行替代方案。