Identifying and Quantifying Financial Bubbles with the Hyped Log-Periodic Power Law Model
Zheng Cao, Xingran Shao, Yuheng Yan, Helyette Geman
我们提出了一种新的模型,炒作日志 - 外围功率法模型(HLPPL),以量化和检测金融泡沫的问题,对于学者和从业者来说,这是一个越来越吸引人的模型。 泡沫标签使用日志-Periodic Power Law(LPPL)模型,情绪评分以及我们在先前关于股票回报波动性预测的NLP预测中引入的炒作指数。 使用这些工具,使用双流变压器模型通过市场数据和机器学习方法进行训练,从而将时间序列的置信分数作为气泡分数。 我们框架的一个显著特点是,它捕获了统一结构中极端定价过高和定价不足的阶段。 在2018年至2024年期间,我们在对美国股票进行背测时的平均收益率为34.13百分比,而该方法在行业领域表现出显着的概括能力。 它在预测泡沫期时的保守偏见最大限度地减少了误报,这一特征对市场信号和决策特别有益。 总体而言,这种方法利用理论和经验的进步,利用HLPPL信号进行实时正负气泡识别和测量。
We propose a novel model, the Hyped Log-Periodic Power Law Model (HLPPL), to the problem of quantifying and detecting financial bubbles, an ever-fascinating one for academics and practitioners alike. Bubble labels are generated using a Log-Periodic Power Law (LPPL) model, sentiment scores, and a hype index we introduced in previous research on NLP forecasting of stock return volatility. Using these tools, a dual-stream transformer model is trained with market data and machine learning methods, r...