von KeAi Communications Co.
In einem neuen Studie veröffentlicht in Das Journal of Finance and Data Sciencestellte ein Forscher der International School of Business der HAN University of Applied Sciences in den Niederlanden die Theorie der topologischen Tail-Abhängigkeit vor – eine neue Methode zur Vorhersage der Aktienmarktvolatilität in turbulenten Zeiten.
„Die Forschung schließt die Lücke zwischen dem abstrakten Bereich der Topologie und der praktischen Finanzwelt. Was wirklich spannend ist, ist, dass uns dieser Zusammenschluss ein leistungsstarkes Werkzeug an die Hand gegeben hat, um das Verhalten der Aktienmärkte in turbulenten Zeiten besser zu verstehen und vorherzusagen“, sagte Hugo Gobato Souto , alleiniger Autor der Studie.
Durch empirische Tests zeigte Souto, dass die Einbeziehung persistenter Homologieinformationen (PH) die Genauigkeit nichtlinearer und neuronaler Netzwerkmodelle bei der Vorhersage der Aktienmarktvolatilität in turbulenten Zeiten erheblich verbessert.
„Diese Ergebnisse signalisieren einen bedeutenden Wandel in der Welt der Finanzprognosen und bieten zuverlässigere Werkzeuge für Investoren, Finanzinstitute und Ökonomen“, fügte Souto hinzu.
Bemerkenswert ist, dass der Ansatz die Barriere der Dimensionalität umgeht, was ihn besonders nützlich für die Erkennung komplexer Korrelationen und nichtlinearer Muster macht, die herkömmlichen Methoden oft entgehen.
„Es war faszinierend, die stetigen Verbesserungen der Prognosegenauigkeit zu beobachten, insbesondere während der Krise 2020“, sagte Souto.
Die Ergebnisse sind nicht auf einen bestimmten Modelltyp beschränkt. Es umfasst verschiedene Modelle, von linearen über nichtlineare bis hin zu fortgeschrittenen neuronalen Netzwerkmodellen. Diese Erkenntnisse öffnen die Tür zu verbesserten Finanzprognosen auf breiter Front.
„Die Ergebnisse bestätigen die Gültigkeit der Theorie und ermutigen die wissenschaftliche Gemeinschaft, tiefer in diese aufregende neue Schnittstelle zwischen Mathematik und Finanzen einzutauchen“, schloss Souto.
Mehr Informationen:
Hugo Gobato Souto, Topologische Tail-Abhängigkeit: Beweise aus der Prognose der realisierten Volatilität, Das Journal of Finance and Data Science (2023). DOI: 10.1016/j.jfds.2023.100107
Bereitgestellt von KeAi Communications Co.