Dynamics of Bid-ask Spread Return and Volatility of the Chinese Stock Market
买卖价差是衡量金融市场流动性的重要指标。本文研究了中国股票市场四种流通股的价差收益率和价差波动率的动态变化规律，包括记忆效应和多重分形性质。通过对自相关函数和去趋势波动分析（DFA）的研究，发现价差收益率缺乏长期记忆性，而价差波动率具有长期时间相关性。此外，通过应用多重分形去趋势波动分析（MF-DFA），利差收益率被观察到具有很强的多重分形，这是类似于各种金融量的动态。与利差收益率相关的是，利差波动率具有弱的多重分形性质。
2011-10-20 physics.soc-ph q-fin.ST q-fin.TR
From Rough to Multifractal volatility: the log S-fBM model
我们引入了一个随机测度族$M_{H,T} (d t)$，即log S-fBM，使得对于$H>0$，$M_{H,T}(d t) = e^{ω_{H,T}(t)} d t$其中$ω_{H,T}(t)$是一个高斯过程，可以被认为是一个$H$ -分数布朗运动的平稳版本。此外，当$H \to 0$时，有$M_{H,T}(d t) \rightarrow {\widetilde M}_{T}(d t)$（在弱意义上），其中${\widetilde M}_{T}(d t)$是著名的对数正态多重分形随机测度（MRM）。因此，这个模型允许我们考虑，在同一个框架内，两个流行的类的多重分形（$H = 0$）和粗糙波动率（$0<H < 1/2$）模型。对数S-fBM的主要属性进行了讨论，并解决其估计问题。我们特别表明，直接估计的$H$的缩放特性的$\ln(M_{H,T}([t, t+τ]))$，在固定的$τ$，可以导致强烈高估的$H$的值。我们提出了一个更好的GMM估计方法，这是有效的，在高频渐近制度。当应用到一个大的经验波动率数据集，我们观察到，股票指数有$H=0.1$周围的值，而个别股票的特点是$H$的值，可以非常接近$0$，从而很好地描述了一个MRM。我们还带来的证据表明，不像对数波动方差$ν^2$的估计似乎是不可靠的（尽管在粗略波动率文献中广泛使用），所谓的“波动系数”$λ^2$的估计，其是$ν^…
2022-07-17 q-fin.ST
From rough to multifractal multidimensional volatility: A multidimensional Log S-fBM model
Université Paris-Dauphine PSL（巴黎第九大学）；Université de Corse（科西嘉大学）
提出多维Log S-fBM模型，通过多维平稳分数布朗运动捕捉波动率的多重分形和粗糙行为，并开发了广义矩估计校准方法，在S&P 500市场数据中验证了模型的有效性。
2026-06-29 q-fin.ST
Modeling and forecasting exchange rate volatility in time-frequency domain
本文提出了一种改进的方法来建模和预测波动率使用高频数据。利用基于已实现GARCH的多时频分解已实现波动率预测模型，研究了不同时间尺度对波动率预测的影响。将波动性分解为几个时间尺度近似于交易者在相应投资期限的行为。此外，所提出的方法是能够占跳跃的影响，由于最近提出的跳跃小波两尺度已实现波动率估计。我们提出了一个实现的跳跃-GARCH模型估计在两个版本中使用最大似然以及观测驱动的广义自回归得分估计框架。我们使用几个流行的已实现波动率的措施，涵盖最近的金融危机的外汇利率期货数据进行比较预测。我们的研究结果表明，解开跳跃变化的综合变化是重要的预测性能。一个有趣的洞察波动过程也提供了其多尺度分解。我们发现，未来波动的大部分信息来自频谱的高频部分，代表非常短的投资期限。我们新提出的模型在统计上优于流行的以及传统的模型在一天和多个时期的未来预测。
2015-02-03 q-fin.ST
Bayesian Dynamic Modeling of Realized Volatility in Financial Asset Price Forecasting
Duke University（杜克大学）
本文提出了一种新的贝叶斯动态模型，用于金融预测中的价格-实现波动率时间序列。通过将新的动态伽马过程模型与传统贝叶斯动态线性模型结合，改进了波动率杠杆和反馈效应的建模。
2026-05-12 q-fin.ST stat.ME
An adaptive volatility method for probabilistic forecasting and its application to the M6 financial forecasting competition
本文提出一种基于经典时变波动率模型与在线随机优化的自适应波动率方法AdaVol，通过接受有效市场假说获取未来收益概率预测并优化竞赛指标，在M6金融预测竞赛中总排名第7、预测任务第5，证明了简单方法的有效性。
2024-06-03 q-fin.PM q-fin.ST
SpotV2Net: Multivariate Intraday Spot Volatility Forecasting via Vol-of-Vol-Informed Graph Attention Networks
本研究提出SpotV2Net图注意力网络模型，纳入波动率的波动率相关傅里叶估计特征，在道指成分股实证中预测准确率显著优于基准模型，并借助可解释工具识别关键子图。
2025-01-13 q-fin.CP q-fin.ST
Risk-Sensitive Specialist Routing for Volatility Forecasting
University of Southern California（南加州大学）
本文提出风险敏感型专家路由框架，用于ETF波动率预测，通过在线风险敏感评估和状态依赖门控，结合不同预测专家以适应市场状态变化，实验显示该框架能有效降低高波动率预测损失。
2026-07-03 q-fin.RM q-fin.ST
Forecasting Realized Volatility Matrix With Copula-Based Models
多元波动率建模与预测是金融经济学研究的重要内容。本文提出了一种基于Copula的方法来建模和预测已实现波动率矩阵。基于Copula函数的时间序列模型能够捕捉到已实现波动率矩阵的隐含相关结构。该方法通过Cholesky分解或矩阵对数变换，自动保证预测的正定性。在本文中，我们考虑多元和二元Copula，Copula的类型包括学生的t，克莱顿和Gumbel Copula。在一个实证应用中，我们发现，对于一天前的波动矩阵预测，这些基于copula模型可以实现显着的性能，无论是在统计精度，以及创造经济的均值-方差有效的投资组合。在我们考虑的Copula中，多元t Copula在统计精度上表现得更好，而二元t Copula具有更好的经济性能。
2020-02-20 q-fin.ST stat.AP
Bitcoin Forecasting with Classical Time Series Models on Prices and Volatility
University of California, Davis（加州大学戴维斯分校）
本文比较ARIMA、SARIMA、GARCH和EGARCH在比特币价格与波动率预测中的表现，发现ARIMA最适合短期价格动态，EGARCH最适合波动率建模，证明经典时间序列模型对比特币短期预测仍有价值。
2025-11-09 q-fin.ST
Forecasting security's volatility using low-frequency historical data, high-frequency historical data and option-implied volatility
低频历史数据、高频历史数据和期权数据是预测标的证券波动性的三大数据来源。在本文中，我们提出了两个计量经济学模型，其中集成了三个信息源。在GARCH-Itô-OI模型中，我们假设期权隐含波动率能够影响证券未来的波动率，并将期权隐含波动率视为可观测的外生变量。在GARCH-Itô-IV模型中，我们假设期权隐含波动率不能直接影响证券的波动率，通过建立期权隐含波动率与证券波动率之间的关系，提取出标的证券的有用信息。在给出参数的拟极大似然估计并建立其渐近性质之后，我们还进行了一系列的模拟分析和实证分析，将所提出的模型与文献中的其他流行模型进行了比较。研究发现，当高频数据的采样间隔为5 min时，GARCH-Itô-OI模型和GARCH-Itô-IV模型的预测性能优于其他模型。
2019-07-05 q-fin.ST stat.AP
The Log S-fBM model: Statistical analysis
Ceremade, CNRS-UMR 7534, Université Paris-Dauphine PSL（巴黎第九大学）；SPE CNRS-UMR 6134, Université de Corse（科西嘉大学）
本文对 Log S-fBM 随机波动率模型进行统计分析，推导标度性质、偏差不等式及假设检验，以区分粗糙与多重分形动态，并验证标度不变性。
2026-09-10 q-fin.ST
Quantile Dependence between Stock Markets and its Application in Volatility Forecasting
本文研究了国际股票市场之间的分位数依赖性，并评估其用于改善波动性预测。首先，我们分析了美国股票市场与英国、德国、法国和日本股票市场之间的分位数依赖和方向可预测性。我们使用交叉分位数图，这是分位数命中过程的相关统计。股票市场之间的详细相关性取决于特定的分位数范围，这种相关性通常是不对称的;负溢出效应强于正溢出效应，从美国市场到英国、德国、法国和日本市场存在很强的方向性可预测性。其次，我们考虑了一个简单的分位数增强的波动模型，该模型适应了美国市场和其他市场之间的分位数依赖性和方向可预测性。分位数增强波动率模型提供了优越的样本内和样本外波动率预测。
2016-08-25 q-fin.ST stat.AP
Forecasting Volatility with Machine Learning and Rough Volatility: Example from the Crypto-Winter
本文在2022年加密寒冬背景下，验证了结合LSTM与粗糙波动率的框架在加密货币波动率预测中的有效性，发现通用LSTM和仅含五个非资产依赖参数的简约模型均表现优异，支持波动率形成机制的普适性。
2024-02-27 q-fin.MF q-fin.ST q-fin.TR
Multifractal model of asset returns with leverage effect
多重分形过程是股票市场分析的一个相对较新的工具。它们的力量在于能够明确地考虑多阶自相关。在本文的第一部分中，我们讨论了勒克斯模型的框架，并完善了潜在的现象学图片。我们也给出了一个过程，拟合所有参数的经验数据。我们提出了一种新的方法来考虑有效长度的幂律记忆的波动。本文的第二部分论述了收益不对称的后果。我们将两个相关的程式化的事实，偏度和杠杆自相关模型。然后从蒙特卡洛测量，我们表明，这种不对称性显着增加波动率预测的均方误差。基于过滤方法，我们给出了类似的行为在经验数据的证据。
2004-05-11 cond-mat.other cond-mat.stat-mech q-fin.ST
Electricity Spot Prices Forecasting Using Stochastic Volatility Models
本研究采用随机波动率模型并引入外生回归变量，生成日前电力现货价格的概率预测，推导出比基线模型拟合度更好的丰富模型，样本外预测证实其稳健性，可用于对冲电力交易风险。
2024-06-09 q-fin.ST q-fin.TR
Memory, Roughness, and Information Persistence in Financial Markets: A Structural Approach to Volatility Forecasting
Texas Tech University（德克萨斯理工大学）
本文通过结合长记忆估计、粗糙波动率诊断和结构化预测回归，研究了持久性度量在股票波动率建模中的预测价值，发现其能显著提升样本外预测能力，尤其在压力时期。
2026-05-22 q-fin.ST stat.ML
Forecasting volatility with a stacked model based on a hybridized Artificial Neural Network
对于银行、养老基金或保险公司等必须管理其投资或融资业务固有的不确定性的公司来说，对波动性和市场风险进行适当的校准和预测是其面临的一些主要挑战。这在2007-2008年金融危机之后变得更加明显，当时评估市场风险和波动性的预测模型失败了。从那时起，出现了大量的理论发展和方法，以提高波动性预测和市场风险评估的准确性。基于这一思路，本文介绍了一个基于使用一组机器学习技术的模型，如梯度下降助推，随机森林，支持向量机和人工神经网络，这些算法堆叠在一起来预测标准普尔500指数的波动率。结果表明，我们的建设优于其他习惯模型的能力，预测波动水平，从而更准确地评估市场风险。
2020-08-17 q-fin.RM q-fin.ST
Volatility forecasting with machine learning and intraday commonality
我们应用机器学习模型来预测日内已实现波动率（RV），通过将股票数据汇集在一起来利用日内波动的共性，并通过引入市场波动的代理。神经网络在性能方面主导线性回归和基于树的模型，因为它们能够发现和建模变量之间复杂的潜在相互作用。当我们将训练模型应用于尚未包含在训练集中的新股时，我们的研究结果仍然稳健，从而为股票之间的普遍波动机制提供了新的经验证据。最后，我们提出了一种新的方法来预测前一天的RV使用过去的日内RV作为预测因子，并强调有趣的时间的一天的影响，帮助预测机制。结果表明，所提出的方法产生优越的样本外预测一组强大的传统基线，只依赖于过去的每日RV。
2023-02-24 q-fin.CP q-fin.RM q-fin.ST
Approximated maximum likelihood estimation in multifractal random walks
本文对[E. Bacry等人，E64，026103（2001）]。的可能性计算使用拉普拉斯近似和截断的潜在波动的依赖结构。该过程是作为一个包在R计算机语言中实现的。它的性能进行了测试合成数据和比较的推理方法的基础上的广义矩量法。该方法适用于各种金融股票指数的参数估计。
2012-02-22 physics.data-an q-fin.ST
A Nested Factor Model for Equity Markets: Reconciling Multifractal Stock Returns and Rough Index Volatilities
Ceremade, CNRS-UMR 7534, Université Paris-Dauphine PSL（巴黎第九大学）；Chair of Econophysics and Complex Systems, École polytechnique（巴黎综合理工学院）；LadHyX UMR CNRS 7646, École polytechnique（巴黎综合理工学院）；Capital Fund Management（资本基金管理公司）；Académie des Sciences（法兰西科学院）；SPE CNRS-UMR 6134, Université de Corse（科西嘉大学）
提出嵌套因子模型，通过粗糙因子波动率和超粗糙残差波动率解释股票指数与个股Hurst指数的差异，并给出估计方法。
2026-11-02 q-fin.ST
The impacts of asymmetry on modeling and forecasting realized volatility in Japanese stock markets
本研究探讨日本期货与现货股票市场的非对称性对已实现波动率的建模与预测的影响。我们采用异质自回归（HAR）模型允许三种类型的不对称性：积极和消极的实现半方差（RSV），不对称跳跃，和杠杆效应。估计结果表明，杠杆效应明显影响已实现波动率模型的建模。日经225指数的现货和期货市场都存在杠杆效应。虽然实现的半方差有助于更好地建模，但RSV模型的估计取决于这些模型是否具有杠杆效应。非对称跳跃成分对已实现波动率模型没有明显的影响。虽然杠杆效应和已实现半方差也提高了波动率模型的样本外预测性能，非对称跳跃是没有用的预测能力。本研究的实证结果显示，资讯不对称，特别是杠杆效应与实得半变异数，会产生较佳的模型与较准确的预测绩效。因此，在对日本股票市场的已实现波动率进行建模和预测时，应该考虑信息不对称的影响。
2020-05-30 econ.EM q-fin.ST
Volatility Forecasting in Global Financial Markets Using TimeMixer
Hong Kong Community College（香港社区学院）
本研究应用 TimeMixer 模型预测全球金融资产波动率，发现其通过多尺度混合方法在短期预测中表现优异，但在长期预测中准确性下降，适用于金融风险管理。
2024-09-27 cs.AI cs.LG q-fin.ST
Regime-Gated Residual Mixture-of-Experts for Cross-Sectional Volatility Forecasting
School of Computing, Montclair State University（蒙特克莱尔州立大学计算机学院）
本文针对金融波动率的 regime 依赖性问题，提出 RG-ResMoE 架构，将 regime 信息仅用于专家路由，在美、日股票波动率预测中，该模型在精度和稳定性上均优于 MLP。
2026-08-13 cs.LG q-fin.ST
Volatility Based Kernels and Moving Average Means for Accurate Forecasting with Gaussian Processes
New York University（纽约大学）
一类广泛的随机波动率模型是由随机微分方程组定义的。虽然这些模型在金融和统计气候学等领域取得了广泛的成功，但它们通常缺乏根据历史数据产生真实后验分布的能力。为了解决这个根本的限制，我们展示了如何重新铸造一类随机波动率模型作为一个层次高斯过程（GP）模型与专门的协方差函数。这个GP模型保留了随机波动率模型的归纳偏差，同时提供了由GP推断给出的后验预测分布。在这个框架内，我们从深入研究的领域中汲取灵感，引入了一类新的模型，Volt和Magpie，它们在股票和风速预测方面的表现明显优于基线，并自然扩展到多任务设置。
2022-07-13 cs.LG q-fin.ST stat.ML
Modeling and Forecasting Realized Volatility with Multivariate Fractional Brownian Motion
Faculty of Mathematics and Computer Science, University of Würzburg（维尔茨堡大学数学与计算机科学学院）；Faculty of Business Administration, University of Macau（澳门大学商学院）；Lingnan College, Sun Yat-sen University（中山大学岭南学院）
该研究采用多元分数布朗运动（mfBm）建模预测已实现波动率（RV），提出参数估计方法与时间可逆性检验，推导最优预测公式，实证显示mfBm预测表现优于HAR及其变体。
2026-08-21 q-fin.ST
Volatility Forecasting with 1-dimensional CNNs via transfer learning
波动率是金融中的一种自然风险度量，因为它量化了股票价格的变化。在金融数学中经常考虑的问题是预测波动率的不同估计。使用深度学习方法预测波动性的前景是，股票价格回报满足一些常见的属性，称为“程式化事实”。此外，使用的数据量可能很高，有利于神经网络的应用。我们使用了数百只频繁交易的股票10年的每日价格，并比较了不同的CNN架构：一些网络只使用考虑的股票，但我们尝试了一种结构，用于训练，使用更多的序列，但不是考虑的股票。从本质上讲，这是迁移学习的一个应用，在预测误差方面，它的性能要好得多。我们还比较了我们的扩张因果CNN的经典ARIMA方法使用自动模型选择程序。
2020-09-07 q-fin.CP q-fin.ST
A Novel Approach to Forecasting Financial Volatility with Gaussian Process Envelopes
本文利用高斯过程（GP）回归方法，通过预测时间序列的包络，提出了一种新的预测金融收益波动性的方法。我们提供了一个直接的比较，他们的表现传统的方法，如甘精胰岛素。我们比较了三种方法的预测能力：GP回归的绝对和平方收益;回归的包络线的回报和绝对回报;和回归的包络线的负和正回报分别。我们使用高斯先验的最大后验估计来确定我们的超参数。我们还测试了超参数更新在每个预测步骤的效果。我们使用我们的方法来预测样本外波动的四种货币对在2年的时间内，在半小时的时间间隔。从三个内核中，我们选择为我们的数据提供最佳性能的内核。我们使用两个已公布的准确性措施和四个统计损失函数来评估预测能力的GSTs与GP。在均方误差中，GP的表现比随机游动模型好20%，并且对于相同的数据比GARCH好50%。
2017-05-02 cs.CE q-fin.ST stat.ML
Adaptive Market Intelligence: A Mixture of Experts Framework for Volatility-Sensitive Stock Forecasting
本研究提出一种结合RNN与线性回归的混合专家框架，通过波动感知门控机制动态加权专家贡献，在30只美股数据上对波动资产和稳定资产的MSE分别提升33%和28%，验证了自适应架构在跨波动机制股票预测中的优势。
2025-07-22 econ.EM q-fin.ST
Foundation Time-Series AI Model for Realized Volatility Forecasting
本研究评估时间序列基础模型TimesFM在金融波动率预测中的效果，发现增量微调可使其有效适配金融数据，预测准确率统计上优于传统计量模型，证明基础模型结合针对性微调在动态金融预测中的潜力。
2025-05-16 q-fin.RM q-fin.ST
Probabilistic Forecasting Cryptocurrencies Volatility: From Point to Quantile Forecasts
Faculty of Electrical Engineering Częstochowa University of Technology（电气工程学院切斯托楚瓦技术大学）；Faculty of Economic Sciences（经济科学学院）；Nicolaus Copernicus University in Toruń（托伦尼科拉乌斯·哥白尼大学）；Prague University of Economics（布拉格经济大学）
本文首次系统提出并评估基于多基础模型点预测的加密货币方差概率预测方法，发现QRS方法结合对数已实现波动率的线性模型表现最优，并验证了概率堆叠框架的稳健性。
2025-08-21 cs.AI cs.LG q-fin.ST
Network log-ARCH models for forecasting stock market volatility
本文提出了一种新的动态网络自回归条件异方差模型，用于预测美国股市的波动性。为了提高预测精度，该模型集成了时间滞后的波动信息和来自相邻节点的信息，这些信息可能瞬间溢出整个网络。该模型也适用于高维的情况下，多变量可预测模型通常不再适用。我们采用了时空统计学的理论基础，并将过程的动态建模转移到网络中。这种新的方法进行了比较，独立的单变量对数模型。我们可以量化的改善，由于瞬时网络的干扰效应，这是本文中第一次研究。基于时间序列之间的各种距离和相关性测量来确定边缘。替代网络的定义的性能进行比较的样本精度。此外，我们认为集合预报基于不同的网络定义。
2023-03-20 econ.EM q-fin.ST stat.AP
Model of continuous random cascade processes in financial markets
本文将波动率的连续级联模型表述为一个随机微分方程。引入两个独立的布朗运动作为触发波动级联的随机源。一种是与波动性相乘，另一种是与波动性相加。假设后者对系统的扰动作用，则通过应用于实际股票价格时间序列来估计模型参数。利用参数估计值对由随机微分方程导出的福克-普朗克方程进行了数值计算。结果再现了经验波动率的概率密度函数、时间序列的多重分形性以及其他经验事实。
2020-10-23 q-fin.ST
Unified GARCH-Recurrent Neural Network in Financial Volatility Forecasting
School of Business, Stevens Institute of Technology（史蒂文斯理工学院商学院）
本文提出GARCH-GRU和GARCH-LSTM模型，通过整合GARCH(1,1)动态提升金融波动预测的准确性、效率和稳健性。
2025-11-21 q-fin.RM q-fin.ST
Structured Multifractal Scaling of the Principal Cryptocurrencies: Examination using a Self-Explainable Machine Learning
本文提出结构化去趋势多重分形波动分析（S-MF-DFA），结合变点检测与单因子模型构建自解释机器学习框架，用于检验主要加密货币的多重分形标度行为，并验证其在价格预测中的准确性与可解释性。
2023-04-17 q-fin.ST
Time-Varying Factor-Augmented Models for Volatility Forecasting
针对现有波动率预测方法在计算可行性和动态捕捉上的不足，提出一种模型无关的时变因子增强框架，以低计算成本提取动态因子并整合进统计与AI模型，在美股科技股和加密货币上显著提升预测准确性与交易策略收益。
2025-10-08 q-fin.MF q-fin.ST
Improving S&P 500 Volatility Forecasting through Regime-Switching Methods
本研究针对标普500指数波动率预测问题，提出多种区制转换方法捕捉市场结构变化，基于11年SPX数据验证发现基于系数的聚类算法在疫情前后各阶段及不同预测周期下均优于基准模型，证明区制感知框架的有效性。
2025-09-21 cs.LG econ.EM q-fin.ST
Reducing overestimating and underestimating volatility via the augmented blending-ARCH model
SVR-GARCH模型在预测金融时间序列波动率时存在"后向窃听"的倾向，即简单地通过偏离前一次波动率来产生预测结果。虽然SVR-GARCH模型在各种绩效度量方面都取得了良好的表现，但交易机会、时间序列中的峰谷行为都受到低估或高估波动率的阻碍。我们提出了一个混合模型和一个增广模型来克服这类问题，使预测更好的峰谷行为。该方法使用包括SH300和S&P500的真实数据集来说明。实证结果表明，增广模型和混合模型提高了波动率预测能力。
2022-03-15 cs.LG q-fin.ST
Graph Neural Networks for Forecasting Multivariate Realized Volatility with Spillover Effects
University of Oxford（牛津大学）；The Alan Turing Institute（艾伦·图灵研究所）
本文提出利用定制图神经网络建模股票间溢出效应以预测多元已实现波动率，发现引入非线性溢出效应和使用准似然损失能显著提升短期预测精度与模型性能。
2023-08-01 cs.LG q-fin.RM q-fin.ST
Structured SDEs for Realized GARCH: Continuous-Time Volatility Modelling and Component-Level Analysis
The University of Sydney（悉尼大学）
该研究提出结构化连续时间随机波动率模型，将已实现测度状态与收益相关布朗创新结合，在17个股票指数的积分方差预测中，相比多个基准模型表现更优，验证了测量驱动信息对提升预测效果的作用。
2026-10-14 q-fin.ST stat.ML
Quantum Reservoir Computing for Realized Volatility Forecasting
University of Electronic Sciences and Technology of China（电子科技大学）；Tianfu Jiangxi Laboratory（天府江西实验室）；Virginia Tech（弗吉尼亚理工大学）
本文探讨量子共振计算在已实现波动率预测中的应用，利用全连接横向场异斯模型作为共振器，结合特征选择方法提升可解释性，结果表明该方法在多种指标上优于传统模型。
2026-04-09 econ.EM q-fin.ST quant-ph
Forecasting crude oil market volatility: can the Regime Switching GARCH model beat the single-regime GARCH models?
Business School, Hunan University（湖南大学商学院）；Center for Resource and Environmental Management, Hunan University（湖南大学资源与环境管理中心）；Institute of Resource, Environment and Sustainable Development Research, JiNan University（暨南大学资源环境可持续发展研究所）；College of Economics and Management, China Agricultural University（中国农业大学经济管理学院）
本文评估了单状态GARCH模型和双状态马尔可夫状态切换GARCH模型在不同数据频率和时间跨度下的预测性能，发现双状态模型在多数评估标准下表现更优，但准确性随数据频率降低而下降。
2015-12-05 econ.GN q-fin.EC q-fin.ST
Skewed non-Gaussian GARCH models for cryptocurrencies volatility modelling
最近，加密货币吸引了投资者、从业者和研究人员越来越多的兴趣。然而，很少有研究关注它们的可预测性。在本文中，我们提出了一个新的和全面的研究加密货币市场，评估预测性能的三个最重要的加密货币（比特币，以太坊和莱特币）的市价总值。在这个目标下，我们考虑了非高斯高斯GARCH波动率模型，它形成了一类通常用于金融预测的随机递归系统。结果表明，当考虑比特币/美元和莱特币/美元汇率时，在偏广义误差分布下实现了最好的规范和预测精度，而当考虑以太坊/美元汇率时，在偏广义误差分布下获得了最好的性能。所获得的调查结果状态的有效性-在预测性能方面-放松的正态性假设，并考虑偏态分布。
2020-04-22 q-fin.ST
Ask "Who", Not "What": Bitcoin Volatility Forecasting with Twitter Data
ETH Zurich（苏黎世联邦理工学院）
了解交易价格的变化（波动性）及其对外生信息的反应，是金融学中一个很好的研究课题。在这项研究中，我们专注于使用从Twitter获得的公共社交媒体数据的深度学习表示，为相对较新的加密货币资产类别（特别是比特币）找到稳定和准确的波动预测因子。在我们的实验中，我们从超过3000万条与比特币相关的推文中提取了语义信息和用户统计数据，以及144天内15分钟的频率价格数据。利用这些数据，我们构建了几个深度学习架构，这些架构利用了收集到的信息的不同组合。对于每个模型，我们进行了消融研究，以评估不同组件和特征集对预测准确性的影响。我们发现了以下假设的统计证据：（i）时间卷积网络的表现明显优于经典的自回归模型和文献中其他基于深度学习的架构，（ii）推文作者元信息，即使与推文本身分离，也是比语义内容和推文数量统计更好的波动性预测指标。我们展示了如何从社交媒体收集的不同信息集可以在不同的架构中使用，以及它们如何影响预测结果。作为额外的贡献，我们将我们的数据集公开，以供未来研究。
2022-12-06 cs.LG cs.SI q-fin.ST
Forecasting Realized Volatility with Time Series Foundation Models: A Comparison with Econometric Benchmarks
Duke University（杜克大学）
研究预训练时间序列基础模型能否改进已实现波动率预测的计量经济学基准。通过对多种模型在多资产多预测期测试比较，发现基础模型优势集中于少数资产，简单平均模型表现良好，选对模型架构更重要。
2026-07-07 econ.EM q-fin.ST
Modelling and Predicting the Conditional Variance of Bitcoin Daily Returns: Comparsion of Markov Switching GARCH and SV Models
本文比较了MS-GARCH与SARV等模型对比特币日收益率条件方差的样本外预测表现，发现SARV模型整体优于MS-GARCH，为风险管理提供了指导。
2024-01-10 q-fin.RM q-fin.ST
Multimodal deep learning for short-term stock volatility prediction
University of York（约克大学）
股票市场波动率预测是一项与评估市场风险相关的任务。我们使用最先进的深度学习方法研究了新闻和价格之间的相互作用，以进行一天前的波动预测。所提出的模型是端到端或使用从其他任务转移的句子编码器进行训练的。我们评估了广泛的股票市场行业，即消费必需品、能源、公用事业、医疗和金融行业。我们的实验结果表明，添加新闻改善了波动率预测相比，只依赖于价格数据的主流模型。特别是，我们的模型在决定系数$R^2$，$MSE$和$MAE$方面优于广泛认可的所有部门的GARCH（1，1）模型，在从新闻和价格数据进行训练时实现了最佳性能。
2018-12-25 cs.CL cs.LG q-fin.RM
Predictability of Volatility Homogenised Financial Time Series
将金融时间序列建模为一个较简单过程的时间变化，多年来已经以各种形式提出。最近的一种方法被称为波动均匀化分解，并已专门设计用于帮助预测金融市场的价格变化。作者的这种方法试图证明其有用性，通过应用一个特定的预测程序，并确定该程序的有效性分解的时间序列，与原始时间序列。这至少在两个方面是有问题的。首先，预测程序的选择显然对结果有影响，使其成为非详尽无遗的。第二，所获得的结果并不完全令人信服，有些值低于50%的猜测率。此外，只有9只澳大利亚股票受到调查，这进一步限制了这一证据的范围。在这项研究中，我们建议通过计算分解后的时间序列的可预测性，并将其与原始时间序列的可预测性进行比较，来发现波动均匀化的有用性。我们正在应用熵率的信息理论概念来量化可预测性，这保证了结果与特定的预测方法无关，此外，我们的计算基于华沙证券交易所的大量股票。
2014-06-29 q-fin.CP q-fin.ST
Stock Price Forecasting in Presence of Covid-19 Pandemic and Evaluating Performances of Machine Learning Models for Time-Series Forecasting
随着2019冠状病毒病疫情期间股价波动加剧，对价格预测的需求变得更加迫切。我们研究了四个模型，包括长期-短期记忆，XGBoost，自回归和最后价值对Facebook，亚马逊，特斯拉，谷歌和苹果股票价格在COVID-19大流行时期的预测性能，以了解模型在这个高度波动的时间区域的准确性和可预测性。为了训练模型，所有股票的数据被分成训练和测试数据集。测试数据集自二零二零年一月至二零二一年四月，涵盖COVID-19疫情期间。研究结果表明，由于前一天的股价与第二天的股价具有较强的相关性，自回归模型和最后值模型对股票价格的预测具有较高的准确性。此外，结果表明，当市场经历高波动时，机器学习模型（长短期记忆和XGBoost）的表现不如自回归模型。
2021-05-04 econ.EM q-fin.ST
Ensemble Forecasting for Intraday Electricity Prices: Simulating Trajectories
University of Duisburg-Essen（杜伊斯堡-埃森大学）
最近关于点电价预测的研究表明，每小时德国日内连续市场是弱式有效的。因此，我们采取了一种新颖的、先进的方法来解决这个问题。通过模拟每个交易窗口中的轨迹来执行每小时日内电价的概率预测，以接收真实的集合，从而允许更有效的日内交易和重新调度。一个广义的加法模型被拟合到价格差，假设它们遵循零膨胀分布，确切地说是狄拉克分布和学生t分布的混合。此外，使用具有套索惩罚的高维逻辑回归估计混合项。我们使用i.a.对序列的期望值和波动率进行建模。自回归和无交易效应或负荷、风能和太阳能发电预测，并考虑到例如到期时间的非线性。使用滚动窗口预测研究的样本内特性和预测性能进行了分析。多个版本的模型进行了比较，几个基准模型，并使用概率预测措施和显着性检验进行评估。该研究旨在预测德国日内连续市场在最后3小时交易中的价格分布，但该方法可以应用于其他连续市场，特别是欧洲市场。结果证明了混合模型的优越性，从波动率的建模中获得最多的基准。它们还表明，XBID的引入降低了市场波动。
2020-08-29 cs.LG cs.SY econ.EM
Modeling Volatility and Dependence of European Carbon and Energy Prices
University of Duisburg-Essen（杜伊斯堡-埃森大学）；TU Dortmund University（多特蒙德工业大学）；RWI -- Leibniz Institute for Economic Research（RWI——莱布尼茨经济研究所）
我们研究了欧洲排放配额（EUA）的价格，从而分析其不确定性和对相关能源价格（天然气，煤炭和石油）的依赖性。我们提出了一个概率多变量条件时间序列模型与VECM-Copula-Gestrian结构，利用数据的关键特性。数据相对于通货膨胀和碳排放进行了标准化，以便进行适当的跨系列评估。预测性能进行了评估，在一个广泛的滚动窗口预测研究，覆盖8年的样本。我们讨论了我们的调查结果的水平和对数转换的数据，专注于随时间变化的相关性，并鉴于俄罗斯入侵乌克兰。
2023-02-10 cs.LG econ.EM q-fin.ST
