Modelling Durations Using Artificial Neural Networks

Abstract

The thesis introduces Artificial Neural Networks (ANN) to the field of financial durations. We begin by reviewing the findings about financial durations and models applied to analyze them. ANNs are then surveyed and one of the possible network architectures is selected for the forecasting. The selected ANN is a feed-forward network, with one hidden layer, a sigmoid activation function and a genetic algorithm for optimization. We use original and diurnally adjusted data for estimation and in contrast to other duration models, ANNs do not require data pre-processing. Therefore forecasts are estimated in one step without removing seasonalities for raw data. The estimates of the ANN are compared to estimates of the Autoregressive Conditional Duration (ACD) model, which serves as a benchmark for forecasting capabilities of the ANNs. The findings confirm that ANNs can be used to model durations with a similar accuracy as the ACD model. In the case of raw data the model slightly outperforms the ACD model, while the opposite is true for adjusted data, however the forecasting ability difference is not significant.

Hlavním cílem této diplomové práce je zavedení umělých neuronových sítí (UNS) pro modelování finančních durací. Na začátku shrneme stávající poznatky ohledně finančních durací a modelů pro jejich analýzu. Následně prozkoumáme stávající druhy UNS a vybereme jednu z možných architektur sítí pro následné modelování. Zvolená síť je vícevrstvá dopředná, má sigmoidní aktivační funkcí, jednu skrytou vrstvu a genetický algoritmus optimalizace. V práci používáme jak očištěná tak neočištěná data pro předpovídání, ale na rozdíl od ostatních modelů pro durace, neuronové sítě nevyžadují očištění dat. Lze je tedy odhadnout v jednom kroku bez potřeby odstranit sezónnosti. V další části práce porovnáme UNS s odhadem získaným modelem autoregresivních podmíněných durací (APD), který nám slouží jako měřítko pro porovnání výkonnosti. Výsledky potvrzují, že UNS jsou schopné předpovídat durace s přibližně shodnou přesností jako APD model. Pro neočištěná data jsou lepší UNS, zatímco pro očištěná data vychází o něco lépe APD model. Nicméně rozdíly v předpovědích nejsou signifikantní.