Het voorspellen van kansverdelingen van financieel rendement met diepe neurale netwerken

Forecasting Probability Distributions of Financial Returns with Deep Neural Networks

August 26, 2025

Auteurs: Jakub Michańków

cs.AI

Samenvatting

Dit onderzoek evalueert deep neural networks voor het voorspellen van kansverdelingen van financiële rendementen. 1D convolutionele neurale netwerken (CNN) en Long Short-Term Memory (LSTM) architecturen worden gebruikt om parameters van drie kansverdelingen te voorspellen: de normale verdeling, de Student's t-verdeling en de scheve Student's t-verdeling. Met behulp van aangepaste negatieve log-waarschijnlijkheidsverliesfuncties worden de distributieparameters direct geoptimaliseerd. De modellen worden getest op zes belangrijke aandelenindices (S\&P 500, BOVESPA, DAX, WIG, Nikkei 225 en KOSPI) met behulp van probabilistische evaluatiemetrics, waaronder Log Predictive Score (LPS), Continuous Ranked Probability Score (CRPS) en Probability Integral Transform (PIT). De resultaten tonen aan dat deep learning-modellen nauwkeurige distributievoorspellingen bieden en competitief presteren in vergelijking met klassieke GARCH-modellen voor Value-at-Risk-schattingen. Het LSTM-model met de scheve Student's t-verdeling presteert het beste volgens meerdere evaluatiecriteria, waarbij zowel zware staarten als asymmetrie in financiële rendementen worden vastgelegd. Dit werk toont aan dat deep neural networks haalbare alternatieven zijn voor traditionele econometrische modellen voor financiële risicobeoordeling en portefeuillebeheer.

English

This study evaluates deep neural networks for forecasting probability distributions of financial returns. 1D convolutional neural networks (CNN) and Long Short-Term Memory (LSTM) architectures are used to forecast parameters of three probability distributions: Normal, Student's t, and skewed Student's t. Using custom negative log-likelihood loss functions, distribution parameters are optimized directly. The models are tested on six major equity indices (S\&P 500, BOVESPA, DAX, WIG, Nikkei 225, and KOSPI) using probabilistic evaluation metrics including Log Predictive Score (LPS), Continuous Ranked Probability Score (CRPS), and Probability Integral Transform (PIT). Results show that deep learning models provide accurate distributional forecasts and perform competitively with classical GARCH models for Value-at-Risk estimation. The LSTM with skewed Student's t distribution performs best across multiple evaluation criteria, capturing both heavy tails and asymmetry in financial returns. This work shows that deep neural networks are viable alternatives to traditional econometric models for financial risk assessment and portfolio management.