| dc.description.abstract | I denne avhandlingen utforsker vi Bayesianske metoder for usikkerhetskvantifisering gjennom dyp læring. Vi anvender metodene for å predikere CBOE VIX-indeksen, og vi sammenligner disse modellene med tradisjonelle deterministiske metoder innenfor dyp læring, samt hybride varianter som inkorporerer begge metodene. Ulike teknikker for Bayesiansk inferens implementeres, deriblant Bayes-By-Backprop og Monte Carlo Dropout, og vi tester hvordan dette påvirker modellenes resultater.
Resultatene viser at en autoregressiv modell er vanskelig å slå når det kommer til prediksjon av VIX-indeksen. De hybride Bayes-By-Backprop-modellene med en normal à priori og à posteriori sannsynlighetsfordeling gir generelt de nest beste resultatene, som demonsterer regulariseringseffekten man oppnår med Bayesiansk modellering. Rene Bayesianske modeller sliter med å fange opp kompleksitetene i VIX-indeksen, og de Bayesianske modellene er sensitive til turbulent data med støy som påvirker deres predikeringsevne for dynamiske prediksjoner.
De Bayesianske modellene demonstrerer kalibreringsproblemer og er sensitive til valget av både hyperparametre, à priori samt à posteriori sannsynslighetsfordelinger. Dette gjør dem utfordrende å implementere som pålitelige prediksjonsmodeller. Den observerte unimodale à posteriori sannsynslighetsfordelingen man oppnår gjennom variasjonell inferens kan antyde et behov for alternative metoder dersom man ønsker å modellere epistemisk usikkerhet på et mer nøyaktig nivå.
Fremtidig arbeid kan utforske bruken av empiriske trenbare à priori sannsynlighetsfordelinger, inkludere estimering av aleatorisk usikkerhet og anvende alternative metoder for Bayesiansk inferens som for eksempel Markov Chain Monte Carlo. Videre kan man granske bruk av et rikere datasett samt anvendelsen av flere prediksjonshorisonter og -metoder. Integrering av forklarbar kunstig intelligens samt praktiske økonomiske evalueringer er et annet element som kan utprøves for å forbedre integrasjonen av Bayesiansk dyp læring inn i et rammeverk for volatilitetsprediksjon. | |
| dc.description.abstract | This thesis explores the Bayesian regime for uncertainty quantification in deep learning and applies it to forecasting the CBOE VIX index. The study compares deterministic and Bayesian deep learning models, including hybrid models that combine Bayesian and LSTM approaches. Various techniques for implementing Bayesian inference, such as Bayes-By-Backprop and Monte Carlo dropout, are employed to assess their impact on forecasting performance. The effectiveness of different prior distributions for the hybrid model and the inclusion of exogenous data are also investigated.
The results reveal that the Autoregressive model remains challenging to beat for VIX forecasting, consistently outperforming other models. The hybrid Bayes-By-Backprop model with a normal prior and posterior distribution emerges as the second-best performer, demonstrating the regularization benefits of Bayesian modeling. Pure Bayesian models struggle to capture the complexities of the VIX, and Bayesian models in general are sensitive to turbulent and noisy data, hindering their performance in dynamic forecasting regimes.
The Bayesian models exhibit calibration issues and are sensitive to the choice of hyper-parameters, priors, and posteriors, making them challenging to implement reliably. The observed unimodal posterior in variational inference suggests the need for alternative methods to capture epistemic uncertainty more accurately.
Future work could explore the use of empirical trainable prior distributions, estimate aleatoric uncertainty, and employ alternative Bayesian inference methods like Markov Chain Monte Carlo. Additionally, incorporating a richer set of exogenous data, expanding forecasting horizons and methods, integrating explainable AI (XAI), and conducting practical evaluations are recommended to address the identified shortcomings and improve the integration of Bayesian deep learning into a framework for volatility forecasting. | |
