Системное бек-тестирование торговых стратегий для цифровых производных финансовых инструментов

В данной работе рассматривается задача многошагового прогнозирования реализованной волатильности и системного бэк-тестирования торговых стратегий для опционов на торгуемые биржевые фонды (ETF). Цель исследования – построение моделей глубокого обучения для многопериодного прогнозирования волатильности активов, таких как SPY и QQQ и проверка эффективности прогнозов в рамках бэк-тестирования опционных стратегий. Для прогнозирования было использовано несколько архитектур нейронных сетей: LSTM, GRU, BiLSTM, BiGRU, FNN и NBEATSx, а также базовая модель HAR-RV для сравнения. Для улучшения точности на высоких значениях волатильности была модифицирована функция потерь, введен квантильный лог-гиперболический косинус. Точность модели оценивалась на основе MSE, MAE, MAPE и скорректированного , что показало превосходство рекуррентных архитектур. С целью апробации в условиях различных рыночных сценариев полученные прогнозы реализованной волатильности были использованы в бек-тестирования двух опционных стратегий: стрэддл и -скальпинг.
Ключевые слова: прогнозирование волатильности, нейронные сети, бек-тестинг торговых стратегий, деривативы.