| Title: | Анализ подходов к прогнозированию волатильности в условиях нелинейной динамики и скачков |
| Other Titles: | Analysis of approaches to volatility forecasting under nonlinear dynamics and jumps |
| Authors: | Круговой, В. Н. |
| Keywords: | материалы конференций;дифференциальные уравнения;нелинейная динамика;финансовые временные ряды |
| Issue Date: | 2026 |
| Publisher: | БГУИР |
| Citation: | Круговой, В. Н. Анализ подходов к прогнозированию волатильности в условиях нелинейной динамики и скачков = Analysis of approaches to volatility forecasting under nonlinear dynamics and jumps / В. Н. Круговой // Компьютерные системы и сети : сборник материалов 62-й научной конференции аспирантов, магистрантов и студентов БГУИР, Минск, 13–17 апреля 2026 г. / Белорусский государственный университет информатики и радиоэлектроники. – Минск, 2026. – С. 135–138. |
| Abstract: | В работе рассматривается задача прогнозирования волатильности в условиях нелинейной динамики, скачков и
микроструктурного шума. Классические модели обеспечивают интерпретируемость, но ограничены при резких изменениях
рыночной структуры. Нейросетевые методы фиксируют сложные зависимости, однако не дают корректной вероятностной оценки. Предлагается подход на основе НСДУ, в котором функции дрейфа и диффузии аппроксимируются нейросетями при сохранении стохастической природы модели. Эксперименты на синтетических и реальных данных показывают улучшение точности прогнозов и интервального покрытия. Подход применим в риск-менеджменте и расчёте VaR/ES. |
| Alternative abstract: | This paper examines the problem of volatility forecasting under nonlinear dynamics, jumps, and microstructural noise. Classical
models provide interpretability but are limited by abrupt changes in market structure. Neural network methods capture complex dependencies but do not provide accurate probabilistic estimates. We propose an approach based on the NSDE, in which the drift and diffusion functions are approximated by neural networks while preserving the stochastic nature of the model. Experiments on synthetic and real data demonstrate improved forecast accuracy and interval coverage. The approach is applicable to risk management and VaR/ES calculations. |
| URI: | https://libeldoc.bsuir.by/handle/123456789/64052 |
| Appears in Collections: | Компьютерные системы и сети : материалы 62-й научной конференции аспирантов, магистрантов и студентов : сборник статей (2026)
|
