A Hybrid Fractional Artificial Neural Network Model for Value at Risk Prediction in Emerging Financial Markets
Um Modelo Híbrido Fracionário com Redes Neurais Artificiais para Previsão do Value at Risk em Mercados Financeiros Emergentes
Vivekanand Global University, Jaipur, Rajasthan
Manipal University Jaipur, Rajasthan
Abstract
Objective
This study aims to develop an improved methodology for forecasting Value at Risk (VaR) by addressing the limitations of traditional risk-measurement models that fail to capture long-memory behavior and nonlinear dependencies in financial returns. The objective is to integrate fractional calculus with Artificial Neural Networks (ANNs) to produce more accurate and reliable VaR estimates for major Indian stock indices.
Methodology
Daily return data from the NIFTY 50 and SENSEX indices were used to construct fractional-order features that represent long-memory dynamics. These features were then fed into an ANN trained using quantile loss to directly estimate VaR at 95% and 99% confidence levels. Model performance was evaluated through standard backtesting procedures, including the Kupiec Proportion of Failures (POF) test and Christoffersen’s conditional coverage test, and compared against variance–covariance, Historical Simulation, and GARCH-type models.
Originality
This research provides a novel hybrid risk-forecasting framework that combines fractional calculus with ANN-based nonlinear modeling an approach rarely applied in VaR estimation. By explicitly incorporating long-memory dependence structures and nonlinear residual patterns, the study extends existing risk-management literature beyond conventional econometric and machinelearning models, offering a more robust methodology for volatile and crisis-prone markets.
Main
Results
The hybrid fractional-ANN model significantly outperforms traditional VaR techniques, yielding more accurate tail-risk estimates with fewer exceedances. Backtesting results confirm that the proposed model satisfies both unconditional and conditional coverage requirements more consistently than benchmark models. These findings demonstrate that integrating long-memory features and nonlinear learning capabilities enhances the reliability of VaR forecasts, particularly during periods of heightened market volatility.
Theoretical Contributions
This study advances risk-management theory by introducing a unified framework that bridges fractional-order financial modeling with quantile-based neural networks. It highlights the importance of long-range dependence and nonlinear dynamics in tail-risk estimation and establishes a foundation for future research on fractional-machine-learning hybrid models in financial econometrics. The work contributes to modern risk-forecasting methodologies suitable for regulatory and institutional applications.
Objetivo
Desenvolver e avaliar uma metodologia aprimorada para a previsão do Value at Risk, superando as limitações dos modelos tradicionais de mensuração de risco que não capturam adequadamente dependências não lineares e comportamentos de memória longa nos retornos financeiros.
MéTodo
A pesquisa adota uma abordagem quantitativa e aplicada, integrando cálculo fracionário e Redes Neurais Artificiais. Foram utilizados dados diários de retornos dos índices NIFTY 50 e SENSEX, a partir dos quais se construíram características de ordem fracionária para representar dinâmicas de memória longa. Essas variáveis foram utilizadas como entradas de uma rede neural treinada com função de perda quantílica, permitindo a estimação direta do Value at Risk nos níveis de confiança de 95 por cento e 99 por cento. O desempenho do modelo foi avaliado por meio de procedimentos clássicos de backtesting, incluindo os testes de Kupiec e de cobertura condicional de Christoffersen, com comparação a modelos de referência como Variância Covariância, Simulação Histórica e GARCH.
Resultados
Os resultados indicam que o modelo proposto apresenta desempenho superior aos métodos tradicionais, fornecendo estimativas mais precisas do risco de cauda, com menor número de violações e melhor aderência aos níveis de cobertura esperados. Os testes de backtesting confirmam a consistência estatística do modelo, especialmente em períodos de elevada volatilidade do mercado.
ConclusãO
Conclui-se que a integração entre cálculo fracionário e aprendizado não linear por meio de redes neurais artificiais constitui uma abordagem robusta e eficaz para a previsão do Value at Risk, ampliando a confiabilidade das estimativas de risco em mercados financeiros voláteis e emergentes.
Cite this article
Zotero and Mendeley: open the RIS file, or use the Zotero Connector on this page (it reads the article metadata).
Share
Related articles
- Stock Price Forecasting of the NIFTY-50 Index Using Feedforward Artificial Neural Networks with Technical IndicatorsSofia Khan, Diya Khandelwal, Kaisher Rajja Khan · v. 8 (2025)
