Prof. Josip Arnerić i doktorant Mateusz Buczyński prelegentami seminarium ośrodków QFRG i DSLab

Polecamy udział w seminarium „Recurrent neural architectures for nonlinear volatility modelling”, którego prelegentami będą prof. Josip Arnerić (Uniwersytet w Zagrzebiu) i doktorant na Uniwersytecie Warszawskim (związany z WNE) - Mateusz Buczyński. W trakcie spotkania omówione zostaną względne mocne strony, ograniczenia i potencjalne synergie sieci neuronowej Jordan oraz modelu GARCHNet.

Wykład zrealizowany zostanie w ramach cyklu spotkań seminaryjnych ośrodków badawczych QFRG i DSLab. Zachęcamy do zanotowania daty: 12 maja br. o godz. 18:30 (o dołączenie prosimy możliwie najpóźniej na 10 minut przed rozpoczęciem wykładu). Na seminarium zapraszamy do sali B002 (WNE UW). W przypadku braku możliwości udziału stacjonarnie – zapraszamy do połączenia zdalnego, za pomocą platformy Zoom.

[Link do spotkania: https://uw-edu-pl.zoom.us/j/94024724682?pwd=4hzHO0N8bWKL1IMN7xIqwQvcfICw0c.1]

(Informujemy, że dołączenie w formie online oznacza zgodę na nagrywanie. Prosimy o wyłączenie kamer i mikrofonów oraz o zadawanie pytań za pośrednictwem czatu.)

Z abstraktem można zapoznać się w treści – poniżej.

----

We bring together two advances in volatility modeling – the Jordan Neural Network (Arnerić et al.) and GARCHNet (Buczyński & Chlebus) – and critically examine their relative strengths, limitations and potential synergies.

We first introduce the JNN(1,1,1) approach, a parsimonious Jordan‐type recurrent network designed as a semi‐parametric analog to GARCH(1,1). Applied to daily CROBEX returns, the JNN outperforms the standard GARCH(1,1) in out‐of‐sample conditional variance forecasts, preserving interpretability of key parameters while capturing time‐varying nonlinearity.

Next, we present GARCHNet, which embeds an LSTM architecture within a classical GARCH framework to capture richer nonlinear dynamics in conditional variance. By combining maximum‐likelihood‐based GARCH estimation with an LSTM module, the model flexibly accommodates normal, t and skewed‐t innovations. An empirical study on WIG20, S&P 500 and FTSE 100 returns (2005–2021) demonstrates improved in‐sample fit and VaR performance, while suggesting further improvements for extending to alternative distributions and longer‐memory architectures.

A debate will follow to contrast these approaches and explore landscape for their integration.