Volatility Effects on the Escape Time in Financial Market Models
我们简要回顾了逃逸时间的统计特性，或击中时间，股票价格收益率使用不同的模型，描述了股票市场的演变。我们比较这些逃逸时间的概率函数（PF）与从真实市场数据中获得的。然后详细分析了噪声和不同初始条件对具有随机波动率和三次非线性的市场模型逃逸时间的影响。对于这个模型，我们比较了股票价格收益率的PF，波动率的PF和收益相关性与从真实市场数据中获得的相同的统计特征。
2008-10-08 physics.soc-ph q-fin.ST
Relaxation dynamics of aftershocks after large volatility shocks in the SSEC index
利用上海证券交易所综合指数的两组高频数据，研究了大波动性地震后余震的弛豫动力学。与以往的相关工作相比，我们定义的主要金融冲击的基础上大的波动，而不是大崩溃。我们发现，余震的发生率与震级超过一个给定的阈值，每天的波动率（使用1分钟的数据构建）和分钟波动率（使用分钟内的数据）作为一个幂律衰减。幂律松弛指数随波动阈值的增大而增大，且显著大于1。将金融波动作为地震活动的对应物，金融波动的幂律松弛显著偏离了地球物理学中的大森定律。
2007-09-08 physics.soc-ph q-fin.ST
The consentaneous model of the financial markets exhibiting spurious nature of long-range memory
人们普遍认为，金融时间序列的波动具有很强的持续性。观察到的持久性或长距离记忆的起源仍然是一个悬而未决的问题，因为观察到的现象可能是一个虚假的影响。在前面的研究中，我们提出了基于非线性随机微分方程的金融市场一致模型。一致性模型成功地再现了波动率的经验概率和功率谱密度。这种方法与使用分数布朗运动建立的模型有质的不同。在这篇文章中，我们研究了突发和突发间的持续时间统计波动的金融市场采用consentaneous模型。我们的分析提供了一个证据，实证统计特性的突发和突发之间的持续时间可以解释的非线性随机微分方程驱动的波动在金融市场。这是一个强有力的论据，证明金融中的长期记忆可能具有虚假的性质。
2018-02-23 physics.soc-ph q-fin.ST
State Heterogeneity Analysis of Financial Volatility Using High-Frequency Financial Data
最近，考虑到低频市场动态，几个波动模型，采用高频金融数据，已经开发出来。然而，在金融市场中，我们经常观察到金融波动过程依赖于经济状态，因此它们具有状态异质结构。为了研究基于高频数据的状态异质市场动力学，我们引入了一个基于连续Ito扩散过程的波动率模型，该模型的日内瞬时波动率过程依赖于外生状态变量及其综合波动率。我们称之为状态异构GARCH-Ito（SG-Ito）模型。我们提出了一个拟似然估计程序与已实现波动率代理，并建立其渐近行为。此外，为了检验低频状态异质性，我们开发了Wald检验类型的假设检验程序。实证研究结果表明，标准普尔500指数波动存在杠杆效应、投资者关注度、市场流动性不足、股市联动性和节后效应。
2021-02-26 q-fin.ST stat.AP
Volatility Spillovers and Heavy Tails: A Large t-Vector AutoRegressive Approach
波动率是财务分析中衡量风险的关键指标。今天一种金融资产的高波动性可能会影响明天另一种资产的波动性。这些波动之间的滞后影响-我们称之为波动溢出-使用向量自回归（VAR）模型进行了研究。我们考虑到可能的厚尾分布的VAR模型误差使用VAR模型的误差以下的多元学生t-分布与未知的自由度。此外，我们研究了大量资产之间的波动溢出。为此，我们使用惩罚估计的VAR模型的t分布误差。我们研究了能源、生物燃料和农产品之间的波动溢出，揭示了能源和生物燃料之间以及能源和农产品之间的双向波动溢出。
2017-08-07 q-fin.ST
On return-volatility correlation in financial dynamics
本文利用德国DAX指数和中国股指的日数据和分数据，研究了收益率与波动率的相关性如何在金融动力学中产生。基于延迟波动率模型，我们可以消除或生成时间序列的收益率-波动率相关性，而收益率的概率分布和波动率的长期时间相关性等其他特征，基本保持不变。这表明，金融市场的杠杆效应或反杠杆效应是一种反馈性的收益-波动相互作用，而不是波动的长期时间相关性和收益的非对称概率分布。此外，我们表明，大的波动率主导的金融动态的收益率波动相关性。
2012-02-02 physics.comp-ph 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
Correction to "Leverage and volatility feedback effects in high-frequency data" [J. Financial Econometrics 4 (2006) 353--384]
Bollerslev et al.（2006）研究了Heston（1993）随机波动率模型下平方收益率的互协方差。为了获得这些互协方差，作者使用了一个不正确的平方收益分布表达式。在这里，我们将获得平方收益率的正确分布，并检查在这个新分布下，Bollerslev et al.（2006）附录A.2中的结果仍然成立。
2009-02-04 q-fin.ST
A multivariate model for financial indices and an algorithm for detection of jumps in the volatility
本文考虑了一个均值回复的随机波动率模型，它满足金融市场的一些相关的程式化事实。我们介绍了一种算法，用于检测波动率曲线中的峰值，我们将其应用于1984-2013年期间的道琼斯工业平均指数和金融时报证券交易所100指数的时间序列。基于实证结果，我们提出了一个双变量版本的模型，我们发现一个明确的表达式，随着时间的推移，绝对收益率之间的交叉资产相关性的衰减。我们比较我们的理论预测与经验估计相同的金融时间序列，发现一个很好的协议。
2016-12-02 math.PR q-fin.ST
Volatility: a hidden Markov process in financial time series
波动性表征了价格收益波动的幅度。它是金融中的一个中心量，与持有某种资产的风险密切相关。尽管它在交易大厅很受欢迎，但波动性是不可观察的，只有价格是已知的。扩散理论与波动率的研究有许多共同点，其相似之处在于波动率是价格收益随机游走的时间依赖扩散系数。我们提出了一个正式的程序来提取波动率的价格数据，通过假设它是由一个隐马尔可夫过程，连同价格形成一个二维扩散过程。我们得到了一个极大似然估计有效的一类广泛的二维扩散过程。选择指数Ornstein-Uhlenbeck（expanded）随机波动率模型在推断波动率的隐藏状态方面表现得非常好。该方法适用于道琼斯指数。主要结果如下：（i）估计波幅的分布为对数正态分布，与经验模型一致;（ii）估计波幅与成交量按$σ\propto V^{0.55}$形式的幂律关系;及（iii）未来回报与现时波幅成正比，显示未来回报的大小在一定程度上可予预测。
2007-07-27 physics.data-an physics.soc-ph q-fin.ST
Multiscale behaviour of volatility autocorrelations in a financial market
我们对纽约证券交易所的每日回报进行了缩放分析。我们表明，波动率相关性在一天到一年的时间范围内呈幂律关系，更重要的是，它们表现出多尺度行为。
1998-10-19 cond-mat.dis-nn cond-mat.stat-mech q-fin.ST
Volatility in Financial Markets: Stochastic Models and Empirical Results
我们调查了美国股市交易的100只最具资本化的股票的历史波动性。波动率的经验概率密度函数（PDF）的对数正态模型和赫尔和怀特模型的理论预测得到比较。对数正态模型很好地描述了在该地区的低波动率值的PDF，而赫尔和怀特模型更好地近似的波动率的大值的经验PDF。这两个模型都无法描述在一个适度大的波动范围内的经验pdf。
2002-02-28 cond-mat.stat-mech q-fin.ST
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
Random Matrix Application to Correlations Among Volatility of Assets
在本文中，我们应用随机矩阵理论（RMT）的工具来估计标准普尔500指数中各种资产波动率的相关性。波动率输入值是通过将价格波动建模为GARCH（1，1）过程来估计的。构造了相应的相关矩阵。研究发现，波动率相关矩阵的特征值的分布与RMT的分析结果相吻合。此外，在RMT范围内的特征值之间的短期和长期相关性的经验估计，与高斯正交系综（GOE）的RMT的分析结果相匹配。为了了解最大特征向量的信息含量，我们估计了GICS行业组在每个特征向量中的贡献。与价格波动相关矩阵的特征向量相比，波动率相关矩阵的最大特征向量中只有少数是由单个行业群体主导的。我们还研究了“波动性收益”之间的相关性，得到了类似的结果。
2013-10-06 physics.data-an q-fin.RM q-fin.ST
The stabilizing effect of volatility in financial markets
在金融市场，更大的波动性通常被认为是更大的风险和不稳定的同义词。然而，市场的大起大落往往是在价格回报只有小幅波动的长时期之后。为了研究这个令人惊讶的特征，在这里我们建议使用平均首次命中时间，即股票收益率首次经历大的负或正变化的平均时间，作为价格稳定性的指标，并将其与波动性的标准度量相关联。在纽约证券交易所交易的$1071$股票的日收益率的实证分析中，我们发现，这种稳定性的措施显示非单调的行为，最大值，作为波动率的函数。此外，我们表明，经验数据的统计特性可以再现的非线性赫斯顿模型。这一分析意味着，与传统观点相反，不仅高波动性值，而且低波动性值都可能与金融市场的更高不稳定性相关。
2017-08-29 q-fin.ST
Best linear forecast of volatility in financial time series
金融时间序列波动率的自相关函数可以用多个指数的叠加拟合。这样的情况下承认一个明确的分析解决方案的问题，建立最好的线性预测的平稳随机过程。我们描述和应用所提出的分析方法预测波动。考虑了杠杆效应和波动聚集性。预测器函数的参数是针对道琼斯30工业平均指数数值地确定的。连接所提出的方法，流行的可扩展性模型进行了讨论。
2004-01-20 cond-mat.stat-mech q-fin.ST
Modeling Regime Structure and Informational Drivers of Stock Market Volatility via the Financial Chaos Index
Department of Mathematical and Computational Sciences（数学与计算科学系）
本文提出基于修正对数正态幂律分布的机制转换框架，通过金融混沌指数识别出三种股市波动机制，并利用弹性网回归证实宏观经济与地缘等不确定性对VIX隐含波动率具强预测力。
2025-04-26 cs.LG q-fin.ST
Semiparametric Conditional Quantile Models for Financial Returns and Realized Volatility
本文研究了金融资产未来收益率和波动率的条件分位数如何随着资产价格的事后变化以及期权-隐含波动率的不同度量而变化。我们工作在灵活的分位数回归框架，并依赖于最近开发的无模型的综合方差，上下半方差和跳跃变化的措施。我们对标普500和WTI原油期货合约的研究结果表明，简单的线性分位数回归的回报和异质分位数自回归的已实现波动率表现非常好，在捕捉各自的条件分布的动态，无论是在绝对值，以及相对于一对夫妇的成熟的基准模型。因此，该模型可以作为有用的风险管理工具，为投资者交易的期货合约本身或各种衍生品合约的已实现波动率。
2013-08-20 q-fin.PM q-fin.ST
From microscopic price dynamics to multidimensional rough volatility models
粗略波动率是金融资产的一个公认的统计风格化事实。这一性质导致了各种新的粗糙随机波动率模型的设计和分析。然而，这些发展大多是在单一资产情况下进行的。在这项工作中，我们表明，一些特定的多元粗糙波动率模型自然产生的微观结构属性的联合动态的资产价格。为此，我们使用Hawkes过程来构建微观模型，精确再现高频跨资产交互，并研究其长期缩放限制。我们强调我们的方法的相关性，通过提供微观特征的作用，如动量和均值回归的多维价格形成过程的见解。我们特别恢复高维股票相关矩阵的经典性质。
2019-10-30 math.PR q-fin.MF q-fin.ST
Leverage Causes Fat Tails and Clustered Volatility
我们建立了一个简单的杠杆资产购买模型。投资基金使用的也许是最基本的金融策略，称为“价值投资”，即系统地试图购买定价过低的资产。当资金不借入时，资产的价格波动是正态分布的，在不同时间之间不相关。当基金被允许杠杆化，即从银行借款，购买超过其财富所允许的更多资产时，所有这些都发生了变化。在景气时期，竞争会驱使投资者转向使用更多杠杆的基金，因为它们的利润更高。随着杠杆的增加，价格波动变得重尾，并显示出集群波动，类似于在真实市场中观察到的情况。以前对肥尾和聚集波动的解释依赖于“非理性行为”，比如趋势跟踪。相反，这是因为杠杆限制导致基金在市场下跌时出售：一家谨慎的银行通过限制杠杆来使自己在当地更安全，所以当基金超过杠杆限制时，它必须通过出售资产来偿还部分贷款。不幸的是，当价格已经下跌时，这种情况有时会同时发生在所有基金上。由此产生的非线性反馈放大了价格的大幅下行。在极端情况下，这会导致崩溃，但其影响在每个时间尺度上都可以看到，产生价格扰动的幂律。一个标准的（应该是更复杂的）风险控制政策，即个别银行根据波动性设定杠杆限制，导致杠杆在波动性低的时期上升，而在波动性高的时候收缩得更快，使这些极端波动变得更糟。
2010-01-10 physics.soc-ph q-fin.RM q-fin.ST
Volatility Models Applied to Geophysics and High Frequency Financial Market Data
本文致力于地球物理和金融时间序列的建模研究。提出了一类时变参数波动率模型，用于平稳环境下时间序列波动率的预测。具有一致属性的平稳时间序列的建模有助于具有更大确定性的预测。利用GARCH模型和随机波动率模型，我们预测了一步前的建议波动率+/- 2标准预测误差，这是通过极大似然估计制定的。我们比较了随机波动率模型依赖于过滤技术中使用的条件波动率与Gesthem模型。我们的结论是，随机波动率是一个更好的预测工具比GARCH（1，1），因为它是由自回归过去的信息较少的条件。
2019-01-26 econ.EM q-fin.ST stat.AP
A new space-time model for volatility clustering in the financial market
提出了一种新的金融市场上相互作用主体的时空模型。它是居里-外斯模型和Järpe 2005年引入的时空模型的结合。该模型的属性推导出重点的临界温度和磁化强度。事实证明，哈密顿量是温度参数的充分统计量，因此可以进行关于该参数的统计推断。因此，例如，可以做出关于当前金融状况离金融危机有多远的声明，并且可以监视金融交易稳定性以检测恶意风险指示信号。
2010-02-03 q-fin.ST q-fin.TR
Financial Time Series Analysis of SV Model by Hybrid Monte Carlo
首次将混合蒙特卡罗（HMC）算法应用于随机波动率（SV）模型的金融时间序列分析。HMC算法用于贝叶斯推断中SV模型波动率变量的马尔可夫链蒙特卡罗（MCMC）更新。我们从人工金融数据中计算SV模型的参数，并将HMC算法的结果与Metropolis算法的结果进行比较。我们发现，HMC去相关的波动率变量比大都市算法更快。我们还基于日元/美元汇率进行了实证分析。
2008-07-28 physics.data-an physics.soc-ph q-fin.ST
Heterogeneous volatility cascade in financial markets
利用高频数据，我们实证研究了波动率的变化，也称为波动率衍生物，在不同的时间范围。特别是，波动率衍生品和下一个时间段实现的波动率之间的相关性是市场参与者的响应函数的度量。这种相关性清楚地表明了市场的异质结构，根据不同代理人的特征时间范围。它揭示了从长到短的时间范围内的波动级联，与湍流中观察到的结构不同。此外，我们已经开发了一个新的ARCH型模型，它结合了不同的代理人，他们的特征记忆。这个模型很好地再现了经验响应函数，并允许我们量化每个组的重要性。
2001-05-08 cond-mat.stat-mech q-fin.ST
From fair price to fair volatility: Towards an Efficiency-Consistent Definition of Financial Risk
本文提出以Hurst-Hölder指数度量的逐点正则性作为波动率的补充金融风险指标，量化价格动态对鞅行为的局部偏离，从而在有效市场理论与行为金融学之间建立效率一致的风险定义框架。
2025-08-02 q-fin.GN q-fin.ST
A new structural stochastic volatility model of asset pricing and its stylized facts
University of Southampton（南安普顿大学）
本文提出一种基于主体模型的新型资产定价模型，通过模拟主体间的随机互动，揭示价格形成机制，并首次应用参数Bootstrap方法，以复制金融数据的多种风格化特征。
2016-04-29 econ.GN q-fin.EC q-fin.ST
A Comparison of Cryptocurrency Volatility-benchmarking New and Mature Asset Classes
本文利用2020–2022年高频面板数据并结合自回归模型，比较加密货币与股票的波动驱动机制，揭示新兴加密货币市场的结构性差异。
2024-04-07 q-fin.CP q-fin.ST
Microstructure Effects on Daily Return Volatility in Financial Markets
我们模拟了一系列的每日回报，从日内价格波动发起的微观结构元素。实证结果表明，日收益率和日收益率波动率具有一阶自相关性，但交易量和日收益率波动率不相关，而日内波动率相关。我们还考虑了日收益率序列中的甘精胰岛素效应，并表明使用日收益率的估计会受到价格水平的影响。相反，使用每日价格变化，我们发现了一个重要的甘精胰岛素成分的证据。这些结果表明，微观结构元素有相当大的影响返回生成过程。
2000-11-17 cond-mat.stat-mech q-fin.ST
Sanction or Financial Crisis? An Artificial Neural Network-Based Approach to model the impact of oil price volatility on Stock and industry indices
在本文中，我们模拟了国际制裁和制裁后两个时期的油价波动对德黑兰股票指数和工业指数的影响。为了分析研究的目的，我们使用了前馈神经网络。研究时间为2008年至2018年，分为国际能源制裁期间和制裁后两个时期。研究结果表明，前向神经网络对股票市场和行业指数的预测效果较好，说明油价波动对股票和行业指数有显著影响。在制裁后和全球金融危机期间，该模型对行业指数的预测效果较好。此外，油价-股票市场指数预测在国际制裁期间表现较好。这些结果对于金融市场分析师和政策制定者了解哪些因素以及何时影响金融市场具有一定的参考价值，特别是对于伊朗这样一个石油依赖型国家，在国际政治不确定的情况下。关键词：前馈神经网络，工业指数，国际能源制裁，油价波动，德黑兰股票指数
2020-09-11 q-fin.CP q-fin.ST
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
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
Modeling Financial Volatility in the Presence of Abrupt Changes
金融工具的波动性很少是恒定的，通常会随着时间的推移而变化。这就产生了一种称为波动率聚集的现象，即一天的大幅度价格波动之后，连续几天的类似大幅度波动，从而产生了时间集群。将波动性视为漂移过程的GARCH模型通常用于捕捉这种行为。然而，研究表明，波动性往往是更好地描述了一个结构性突变模型，其中波动性经历突然跳跃除了漂移。大多数将这些跳跃整合到GARCH方法中的努力都导致了模型的计算要求非常高，或者对工具的分布做出了有问题的假设，通常假设它们是高斯的。我们提出了一种新的方法，使用非参数统计的思想来确定结构断点，而不作这样的分布假设，然后模型漂移分别在每个确定的制度。使用我们的方法，我们调查了几个主要的股票指数的波动性，并发现我们的方法可以提供一个改进的适合相比，更常用的技术。
2012-12-25 physics.data-an q-fin.ST stat.AP
Dynamic graph neural networks for enhanced volatility prediction in financial markets
Cardiff University（卡迪夫大学）；Albany State University（奥尔巴尼州立大学）
本文提出时序图注意力网络（Temporal GAT），将全球金融市场建模为动态图，结合GCN与GAT捕捉波动率溢出的时序和结构动态，在八个主要指数15年数据上优于GARCH及其他机器学习方法。
2024-10-22 cs.LG q-fin.MF q-fin.ST
FuNVol: A Multi-Asset Implied Volatility Market Simulator using Functional Principal Components and Neural SDEs
University of Toronto（多伦多大学）；Riskfuel Analytics
本文提出FuNVol，一种结合函数主成分与神经随机微分方程的多资产隐含波动率市场模拟器，通过概率积分变换惩罚减少模型误设，生成无静态套利且与历史一致的曲面，并验证对冲损益的准确性。
2023-12-26 cs.LG q-fin.CP q-fin.ST
Entropy Analysis of Financial Time Series
本文将熵作为一种模型独立性测度来研究金融时间序列的三个问题。在第一个研究中，我们将转移熵应用于外汇汇率的下跌和下跌，研究它们之间的相关性和互相关性。当应用于每日和每小时欧元/美元和英镑/美元汇率时，我们发现最大吸引力（即5%和95%分位数）之间的相关性证据，但不如同一对外汇汇率的每日回报之间的相关性强。在第二项研究中，我们使用状态空间模型（隐马尔可夫模型）的波动性，研究汇率之间的波动溢出。在货币对中，欧元/美元和瑞士法郎/美元波动状态的共同运动显示出最强的观察到的关系。利用传递熵，我们发现了澳元、加元和巴西雷亚尔的波动状态序列之间存在信息流的证据。第三项研究使用标准普尔已实现波动率的熵来检测波动机制的变化，以重新审视对冲基金的市场波动择时主题。一个单因子模型被用来衡量对冲基金股票风险敞口的动态，条件是市场波动熵的信息。在以美国股票市场为重点的约2500家对冲基金的横截面中，我们发现，在2000年至2014年期间，对冲基金动态调整其风险敞口，以应对波动性机制的变化。这增加了对冲基金经理的波动性择时行为的文献，但使用熵作为模型独立的衡量波动率制度。
2018-07-25 q-fin.ST
Sentiment and Volatility in Financial Markets: A Review of BERT and GARCH Applications during Geopolitical Crises
本文结合金融领域微调 BERT 与 Student-t 增强 GARCH，分析俄乌战争新闻情绪对 S&P 500 波动的影响，发现负面情绪显著降低市场稳定性。
2025-10-18 q-fin.ST
Capital Asset Pricing Model with Size Factor and Normalizing by Volatility Index
University of Nevada, Reno（内华达大学里诺分校）
本文在CAPM中引入规模效应，并用波动率指数归一化收益率，构建包含波动率、相对规模和CAPM的离散时间模型，通过实际数据拟合证明长期稳定性，并与随机投资组合理论关联。
2026-06-11 math.PR q-fin.MF q-fin.ST
The Variable Volatility Elasticity Model from Commodity Markets
在本文中，我们提出并研究了一个新的连续时间模型，著名的常数方差弹性（CEV）模型的基础上，来描述资产价格过程。其基本思想是，从随机分析的角度来看，CEV模型的波动弹性不能被视为常数。针对这一问题，本文从波动弹性的角度推导了资产价格过程，提出了常数波动弹性（CVE）模型，并进一步推导出更一般的变波动弹性（VVE）模型。此外，我们的模型可以描述商品市场波动与资产价格之间的正相关关系，而CEV模型只能描述商品市场波动与资产价格之间的负相关关系。通过对金融市场的实证研究发现，很多资产尤其是商品在某些时间段往往表现出这种正相关现象，这说明我们的模型具有较强的实际应用价值。最后，给出了基于该模型的欧式期权的显式定价公式。该公式形式优美，计算方便，与著名的Black-Scholes公式相似，对衍生品市场的研究具有重要意义。
2022-03-17 q-fin.CP q-fin.GN q-fin.MF
Beyond the Traditional VIX: A Novel Approach to Identifying Uncertainty Shocks in Financial Markets
本文提出一种基于双重次化正态逆高斯Levy过程修正VIX的新方法，结合公理化风险回报比率，以更准确地识别金融市场中的不确定性冲击。
2024-11-05 econ.EM q-fin.ST
Mean-Reverting Portfolios: Tradeoffs Between Sparsity and Volatility
均值回归资产是金融市场的圣杯之一：如果存在这样的资产，它们将为任何能够交易它们的投资者提供微不足道的盈利投资策略，这要归功于这些资产围绕其长期均值可预测地波动的知识。基于协整的交易策略[Tsay，2005，§8]的操作方式是首先创建一个资产组合，其总价值均值回复，当其价值偏离其长期均值时，通过卖空或买入该组合来利用这一知识。这种投资组合通常使用协整理论的工具[Engle和Granger，1987，Johansen，1991]来选择，其目的是检测平稳的资产组合，因此均值回归。我们认为，在这项工作中，专注于平稳性可能不足以确保盈利的协整为基础的战略。虽然有可能使用大量金融资产来合成一个组合，该组合的总价值是固定的，因此是均值回复的，但交易这样一个大的组合在实践中会产生重要的交易或借款成本。寻找由许多资产形成的固定投资组合也可能导致具有非常小的波动性的投资组合，并且需要显著的杠杆才能盈利。在这项工作中，我们研究的算法方法，可以采取减轻这些影响，通过搜索最大的均值回复的组合，这是足够稀疏和/或波动。
2015-09-20 q-fin.ST stat.AP
Measuring Volatility Clustering in Stock Markets
提出了一种新的方法来量化复杂时间序列中的聚类行为，并将其应用于金融市场的高频数据。我们发现，无论使用哪种数据集，所有数据都表现出波动率聚集的特性，而使用GARCH模型滤除波动率聚集效应的数据集显著降低了波动率聚集。结果表明，该方法能够有效地度量金融市场的波动率聚集效应。
2007-09-15 physics.data-an q-fin.ST
Contrastive Learning of Asset Embeddings from Financial Time Series
School of Computer Science, University College Dublin（都柏林大学学院计算机科学学院）
本文提出一种基于假设检验统计采样的对比学习框架，利用资产在子窗口的收益相似性生成正负样本，从金融时间序列中学习资产嵌入，在行业分类与投资组合优化任务上显著优于基线。
2024-07-26 cs.LG q-fin.ST
Conditional correlation in asset return and GARCH intensity model
在资产收益序列中，当前收益率与过去波动率之间存在条件非对称依赖关系，依赖于当前收益率的符号。考虑到条件的不对称性，我们引入了新的模型，资产收益率的动态，其中的频率的向上和向下的移动的资产价格有条件独立的泊松分布的随机强度。强度被假定为Gestival类型的随机递归方程，以捕捉波动率聚集和杠杆效应。我们提供了一个重要的联系，我们的模型和现有的Gestival，解释如何应用最大似然估计来确定强度模型中的参数，并显示与标准普尔500指数收益率序列的实证结果。
2013-11-20 q-fin.ST
Stochastic model of financial markets reproducing scaling and memory in volatility return intervals
我们研究了纽约证券交易所和外汇市场的波动性回报区间。我们解释以前的实证研究结果使用的模型的基础上相互作用的代理假说，而不是广泛使用的有效市场假说。我们推导出宏观方程的基础上微观羊群互动的代理人，并发现他们能够再现各种程式化的事实，不同的市场和不同的资产与相同的一组模型参数。我们发现，幂律性质和缩放的回报率区间和其他金融变量有一个类似的起源，并可能是一个通用类的非线性随机微分方程的结果，来自主方程的代理系统，耦合羊群的相互作用。具体来说，我们发现，这种方法使我们能够恢复的波动率收益率区间统计数据，以及波动率概率和谱密度的纽约证券交易所和外汇市场，不同的资产，并为不同的时间尺度。我们还发现，历史S\P 500月度序列表现出相同的波动率收益率区间属性恢复我们提出的模型。我们的统计结果表明，人类的羊群行为是如此强烈，以至于即使其他不断变化的波动扰乱了金融体系，它也会持续存在。
2016-10-25 q-fin.GN q-fin.ST
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
Stock Embeddings: Learning Distributed Representations for Financial Assets
University College Dublin（都柏林大学）
识别金融资产的价格变动之间的有意义的关系是各种金融应用中具有挑战性但重要的问题。然而，随着最近的研究，特别是那些使用机器学习和深度学习技术的研究，主要集中在价格预测上，研究资产相关性建模的文献有所滞后。为了解决这个问题，受自然语言处理领域最近成功的启发，我们提出了一种用于训练股票嵌入的神经模型，该模型利用历史收益数据的动态性，以了解金融资产之间存在的细微差别关系。我们详细描述了我们的方法，并讨论了一些方法，它可以用于金融领域。此外，我们提出了评估结果，以证明这种方法的实用性，相比几个重要的基准，在两个现实世界的金融分析任务。
2022-02-14 cs.LG q-fin.CP q-fin.ST
Copula-based deviation measure of cointegrated financial assets
本文提出一种基于Copula的稳健方法，用于度量协整金融资产收益间的相依关系，克服传统相关系数的局限性，提升评估的稳定性与信息量。
2023-12-04 q-fin.CP q-fin.ST q-fin.TR
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
Scale matters: The daily, weekly and monthly volatility and predictability of Bitcoin, Gold, and the S&P 500
比特币作为一种金融资产的出现伴随着高波动性的名声。本文旨在对这种声誉进行细微的调整，并澄清我们对比特币波动性的理解。使用2014年9月至2021年1月的每日、每周和每月收盘价和日志回报数据，我们发现比特币是两种波动性概念存在分歧的资产的一个典型例子。我们发现，从历史上看，比特币与黄金和标准普尔500指数相比，具有高波动性（高标准差）和高可预测性（低近似熵）。此外，利用极值理论的工具，我们分析了矩的收敛性，以及三种资产的收盘价和对数收益率的平均超额函数。我们发现，当另外两种资产（黄金和标准普尔500指数）的收盘价呈现薄尾分布时，比特币的收盘价符合广义帕累托分布。然而，所有三种资产的回报都是重尾的，二阶矩（方差，标准差）不收敛。在比特币的情况下，较低的采样频率（每月与每周，每周与每日）大大降低了对数回报的峰度，并增加了经验矩向其真实值的收敛。黄金和S&P 500的影响相反。这些特性表明，比特币的波动性本质上是一种日内和周内的现象，在每周的时间尺度上强烈衰减，使其成为投资者和投机者有吸引力的价值储存，但其高标准差排除了其使用货币。
2021-02-28 cs.IT math.IT q-fin.ST
An empirical test for Eurozone contagion using an asset-pricing model with heavy-tailed stochastic volatility
本文对2008-2011年动荡时期欧洲股市的金融传染进行了实证检验。我们的分析表明，传统的高斯和高斯随机波动模型无法解释两个关键的程式化特征的全球市场在假定的传染期：冲击总的市场波动可能是突然的和爆炸性的，它们与特定的方向偏差的横截面的国家层面的回报。我们的模型通过假设波动率的随机冲击是重尾的，并且相互之间以及与收益之间都是横截面相关的来弥补这一缺陷。我们的分析的基本结论是，非常小心，需要在建模波动，如果一个人希望描述的波动和传染之间的关系，是由经济理论预测。在分析日常数据，我们发现在2010年5月和2011年8月的主要欧盟危机期间，传染效应的证据，其中传染被定义为过剩的相关性，从一个因子模型，结合全球和区域市场风险因素的残差。这种过度相关性可以通过量化冲击对预期收益率横截面中总体波动性的影响来解释--但事实证明，只有在极其仔细地解释这些冲击的爆炸性本质的情况下。我们发现，全球市场对这些冲击具有随时间变化的横截面敏感性，高敏感性强烈预测金融危机的时期。此外，波动率和收益率之间的相关性结构的时间变化模式很容易解释为有关时期的重大事件。
2012-03-26 q-fin.ST stat.AP
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
On the universality of the volatility formation process: when machine learning and rough volatility agree
Ecole Polytechnique（巴黎综合理工学院）；Exoduspoint Capital Management（Exoduspoint资本管理公司）
我们训练了一个基于由数百只流动股票组成的池化数据集的LSTM网络，旨在预测所有股票的下一个每日已实现波动率。显示出这种通用LSTM相对于其他资产特定参数模型的一致表现，我们发现了跨资产的通用波动率形成机制的非参数证据，这些资产将过去的市场实现（包括每日回报和波动率）与当前波动率联系起来。将粗糙分数随机波动率和二次粗糙赫斯顿模型与固定参数相结合的简约参数预测设备，其性能与通用LSTM相同，这从参数角度证实了波动率形成过程的普遍性。
2022-06-28 cs.LG q-fin.CP q-fin.RM
Benchmarking Deep Sequential Models on Volatility Predictions for Financial Time Series
American International Group Inc（美国国际集团）
波动率是对股票或期权价格变动的一种度量，它表明了金融市场的不确定性。波动性作为风险水平或变化程度的指标，对分析金融市场很重要，在金融活动的各种决策过程中也要加以考虑。另一方面，深度学习技术的最新进展已经显示出对序列数据（例如语音和自然语言）建模的强大能力。本文实证研究了最新的深度结构在波动率建模问题上的适用性，旨在为未来深度学习技术与金融应用的理论分析提供实证指导。我们研究了波动率预测任务的传统方法和深度序列模型，包括卷积和递归网络的最新变体，如扩张架构。因此，对2018年交易日的一组1314个每日股票系列进行了真实世界股票价格数据集的实验。评价和比较是基于真实世界股票价格时间序列的负对数似然（NLL）。结果表明，扩张神经网络模型（包括扩张CNN和扩张RNN）的估计和预测精度最高，优于广泛使用的确定性神经网络模型和最近提出的几种随机神经网络模型。此外，本研究还验证了该模型的高度灵活性和丰富的表达能力。
2018-11-08 cs.LG q-fin.ST stat.ML
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
