Modelarea piețelor financiare

Capitolul 14 · Deep learning și modele fundaționale

În stînga este slide-ul din curs, în dreapta aceeași figură, calculată în browser din aceleași date. Butonul ▶ modifică parametrul pas cu pas.

Variabilele prognozate și predictibilitatea lor · Atenția și Transformerele · Testul 1: prognoza randamentelor · Testul 2: prognoza volatilității realizate · Testul 3: VaR 1% și ES 2,5% · Studii de caz: avantajele complexității și competiția M6 · AI pentru descoperire științifică

Variabilele prognozate și predictibilitatea lor

Semnalul: în medie sau în volatilitate

Slide-ul 5: Semnalul: în medie sau în volatilitate
Slide-ul 5
    Întrebare pentru sală Pe S&P 500 din 2000, care serie prezintă persistență liniară mai pronunțată în primele 50 de lag-uri: randamentele sau valorile lor absolute?
    Răspuns

    Valorile absolute. Autocorelația lor este 0,29 la lag-ul 1 și 0,13 la lag-ul 50, iar toate cele 50 de valori sînt în afara benzii ±0,024. Randamentele au autocorelația −0,099 la lag-ul 1 și 15 lag-uri în afara benzii, mici și cu semne diferite. Semnul negativ nu înseamnă persistență mai puternică, iar predictibilitatea mediei și cea a volatilității sînt probleme distincte. Graficul sugerează volatility clustering; utilitatea prognozelor se verifică out-of-sample. Banda este o referință punctuală sub ipoteza i.i.d., nu o bandă simultană pentru toate lag-urile.

    Atenția și Transformerele

    Împărțirea unui context de 512 zile în patch-uri

    Slide-ul 16: Împărțirea unui context de 512 zile în patch-uri
    Slide-ul 16
      Întrebare pentru sală În schema ilustrată, 512 zile formează patch-uri de 16 zile. Cîte intrări are matricea de atenție a unui singur head, cu atenție completă numai între tokenii de context?
      Răspuns

      Sînt 512/16 = 32 de tokeni și 32² = 1 024 de perechi ordonate, față de 512² = 262 144 dacă fiecare zi ar fi un token: de 16² = 256 de ori mai puține. TimesFM-2.5 folosește patch-uri de 32 de zile: 16 tokeni și 256 de intrări. Este calculul simplificat pentru un head, fără tokeni suplimentari; un strat multi-head are cîte o astfel de matrice pentru fiecare head.

      Testul 1: prognoza randamentelor

      R² out-of-sample pentru randamente

      Slide-ul 28: R² out-of-sample pentru randamente
      Slide-ul 28
        Întrebare pentru sală Pe perioada completă de test pentru S&P 500, testul DM bilateral la 5% stabilește superioritatea AR(1) sau a LSTM față de prognoza zero?
        Răspuns

        Nu. AR(1) și LSTM reduc eroarea pătratică medie observată cu 0,94%, respectiv 0,93% (R² out-of-sample), dar p-value-urile DM bilaterale sînt 0,639 și 0,090. Testul nu stabilește superioritatea la 5% și nici nu demonstrează egalitatea. TimesFM-2.5 este semnificativ mai slab decît zero (R² −3,35%, p DM = 0,001). Doar pe BET LSTM trece la 5% (R² +1,15%, p = 0,014), înainte de corecția pentru testele multiple.

        Testul 2: prognoza volatilității realizate

        Prognozele în timpul șocului din aprilie 2025

        Slide-ul 36: Prognozele în timpul șocului din aprilie 2025
        Slide-ul 36
          Întrebare pentru sală Care dintre modelele afișate implicit a anticipat amplitudinea vîrfului de volatilitate realizată a SPY din 7 aprilie 2025?
          Răspuns

          Niciunul. Volatilitatea realizată a fost 106,7% anualizat. Prognozele pentru acea zi au fost 27,5% pentru log-HAR, 29,9% pentru GARCH-t, 30,1% pentru Chronos-2 și 30,4% pentru TimesFM-2.5. Ele cresc deja față de ziua precedentă, după saltul din 4 aprilie (46,3%), dar subestimează vîrful de peste trei ori. Cozile groase și pre-antrenarea nu aduc informația din știrile tarifare încă neobservate.

          Pierderile QLIKE ale celor opt modele de volatilitate

          Slide-ul 37: Pierderile QLIKE ale celor opt modele de volatilitate
          Slide-ul 37
            Întrebare pentru sală Pe cele 979 de zile de test SPY, ce concluzie permite testul DM bilateral la 5% despre Chronos-2 față de log-HAR, sub QLIKE?
            Răspuns

            QLIKE medie este 0,223 pentru Chronos-2 și 0,226 pentru log-HAR, dar p DM = 0,539. Avantajul descriptiv nu stabilește superioritatea statistică, iar nerespingerea nu demonstrează echivalența. După 3 noiembrie 2025, micul LSTM are cea mai mică medie observată, 0,217; aceasta este o clasare în eșantion.

            Testul 3: VaR 1% și ES 2,5%

            Ratele de depășire ale VaR 1%

            Slide-ul 44: Ratele de depășire ale VaR 1%
            Slide-ul 44
              Întrebare pentru sală Cuantilele directe Chronos-2 dau 45 de depășiri ale VaR 1% în 2 693 de zile pe S&P 500. Respinge testul Kupiec, cu nivel nominal 5%, ipoteza unei rate de 1%?
              Răspuns

              Da. p Kupiec ≈ 0,001. Sub ipoteza depășirilor independente cu probabilitatea 1%, intervalul central binomial nominal de 95% este [17; 37]; cele 45 de depășiri (rata 1,67%) îl depășesc. Mai multe depășiri indică subacoperire, nu prudență. Intervalul este discret, iar pragul Kupiec este asimptotic. Folosit ca filtru de volatilitate pentru FHS, același model dă 0,93% (p = 0,71).

              Crahul COVID-19: VaR 1% pentru trei modele

              Slide-ul 45: Crahul COVID-19: VaR 1% pentru trei modele
              Slide-ul 45
                Întrebare pentru sală În februarie–iunie 2020, FHS și hibridul FHS cu volatilitatea Chronos-2 au fiecare două depășiri. Este suficient acest număr pentru a le compara calitatea prognozelor?
                Răspuns

                Nu. Ambele au 2 depășiri în 104 zile, dar traiectorii diferite: VaR 1% maxim este 58,9% pentru hibrid (17.03.2020) și 26,4% pentru FHS, iar pierderea zilnică maximă observată este 12,8%. Aceste valori motivează evaluarea calibrării și a pierderii de prognoză. Nici egalitatea numărului de depășiri, nici un VaR peste pierderea maximă nu stabilesc singure clasamentul. Chronos-2 direct are 4 depășiri, iar HS 12.

                Transformarea integrală de probabilitate (PIT) și calibrarea

                Slide-ul 47: Transformarea integrală de probabilitate (PIT) și calibrarea
                Slide-ul 47
                  Întrebare pentru sală Pe S&P 500, cît de des cade randamentul realizat sub cuantila de 1% a Chronos-2?
                  Răspuns

                  În 1,67% dintre zile, deci prima bară PIT este de 1,67 ori înălțimea așteptată: subacoperire la cuantila de 1%. Această frecvență nu descrie singură forma întregii cozi. FHS dă 1,11%. Testul Berkowitz respinge Chronos-2 pe S&P 500 (p = 0,019, σ̂ = 1,03); în testele raportate pentru perioada completă, FHS nu este respins pe niciuna dintre cele trei piețe.

                  Compararea prognozelor (VaR 2,5%, ES 2,5%): MCS

                  Slide-ul 49: Compararea prognozelor (VaR 2,5%, ES 2,5%): MCS
                  Slide-ul 49
                    Întrebare pentru sală Pe ferestrele complete de test ale celor trei piețe, ce modele elimină MCS de 90%, calculată cu FZ0 pentru VaR și ES la 2,5%?
                    Răspuns

                    Doar HS pe BET are p MCS < 0,10: valoarea este 0,015. MCS poate păstra mai multe modele fără a demonstra că sînt echivalente. Pe S&P 500, FHS are cea mai mică pierdere FZ0, iar testul DM, cu corecția Holm pe cele cinci comparații cu FHS, separă FHS de hibridul cu Chronos-2 (DM +2,65, p = 0,008 înainte de corecție, p Holm = 0,032). Pe BET, același test dă p Holm = 0,054.

                    VaR 1% conformal adaptiv pe S&P 500

                    Slide-ul 52: VaR 1% conformal adaptiv pe S&P 500
                    Slide-ul 52
                      Întrebare pentru sală Pe S&P 500, cu γ = 0,001 și 250 de zile de calibrare, cum se compară VaR 1% mediu al corecției conformale cu al FHS, în aceleași zile?
                      Răspuns

                      Este mai mare: 3,36% pentru corecția conformală și 2,85% pentru FHS, pe 2 443 de zile, deși depășirile sînt 21 față de 24,4 așteptate. Rate apropiate de țintă nu impun medii egale. Separat, comparația perechii VaR–ES la 2,5% dă FZ0 medie 1,205 față de 1,013 și p DM = 0,001; acest rezultat nu se deduce numai din mediile VaR la 1%. Cu γ = 0 (calibrare rolling cu nivel fix) sînt 16 depășiri și un VaR mediu de 3,58%.

                      Studii de caz: avantajele complexității și competiția M6

                      Studiu de caz: complexitatea pe datele cursului

                      Slide-ul 58: Studiu de caz: complexitatea pe datele cursului
                      Slide-ul 58
                        Întrebare pentru sală Cu penalizarea fixată la z = 10³, cum evoluează raportul Sharpe al strategiei RFF de market timing pe grila testată, între c = 1 și c = 1 000?
                        Răspuns

                        Crește pînă la c = 50, apoi scade: 0,12 la c = 1, maximul grilei de 0,26 la c = 50 și 0,11 la c = 1 000 (t = 0,6). Modelul liniar cu aceiași 7 predictori și z = 10³ are 0,32. Este rezultatul pentru penalizarea și eșantionul indicate, nu o regulă generală despre complexitate.

                        Studiu de caz: M6 pe datele cursului

                        Slide-ul 62: Studiu de caz: M6 pe datele cursului
                        Slide-ul 62
                          Întrebare pentru sală Cu w = 1, care dintre cele trei modele are cea mai mică pierdere RPS medie pe cele 93 de perioade din 2019–2026, pe cele 19 active M6 din datele cursului?
                          Răspuns

                          Modelul care folosește doar volatilitatea. Reducerea RPS față de probabilitățile egale este 2,33% pentru el (DM −6,35, p < 0,001), 0,81% pentru media istorică (p = 0,358) și 1,72% pentru rețea (p = 0,016). Activele volatile primesc probabilități mai mari pentru chintilele extreme. Clasamentul nu rezultă din folosirea mediei sau din complexitatea modelului și se schimbă cu w: la w = 0,5, media istorică are 1,91%, ușor peste modelul volatilității (1,88%); la w = 2, modelul volatilității mai cîștigă doar 0,28%.

                          AI pentru descoperire științifică

                          Mini-studiu de caz: un test fără putere

                          Slide-ul 67: Mini-studiu de caz: un test fără putere
                          Slide-ul 67
                            Întrebare pentru sală Pentru Chronos-2 pe SPY, ce permite să concluzionăm comparația performanței înainte și după 3 noiembrie 2025 despre memorare?
                            Răspuns

                            Nici prezența, nici absența memorării. Schimbarea estimată a diferenței QLIKE față de log-HAR este +0,0074, cu t HAC = 0,88 și p = 0,38. MDE pentru o putere de 80% este 0,0234, mai mare decît schimbarea observată; chiar și cu o fereastră infinită după publicare, MDE ar rămîne 0,0157. Nerespingerea nu exclude memorarea, iar o schimbare semnificativă nu ar separa automat memorarea de o schimbare a regimului pieței.

                            Randamente zilnice S&P 500, Bitcoin și BET și prețuri SPY la 5 minute: EODHD. Prognozele la o zi: Quantlets/Ch_14 (run_forecasts.py). Studiile de caz: SPY și cele 19 active M6 (EODHD), seriile FRED; prognozele M6: Quantlets/Ch_14 (m6_case.py).