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
Conditional Probability as a Measure of Volatility Clustering in Financial Time Series
在过去的几十年里，金融时间序列的特征和建模已经花费了相当大的努力。一些程式化的事实已经被确定，波动集群或持续性的趋势已经成为中心特征。在本文中，我们提出了一个适当定义的条件概率作为一个新的衡量波动聚类。我们测试这一措施，将其应用到不同的股票市场数据，我们发现一个丰富的时间结构的波动率波动描述得很好的标度关系。缩放中使用的比例因子提供了波动率聚类的直接度量;这种度量可用于开发期权定价、风险管理和经济预测的技术。此外，我们提出了一个随机波动率模型，可以显示许多显着的特征所表现出的经验金融时间序列的波动，包括我们推导出的条件概率的行为。
2006-01-05 physics.soc-ph 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
Large-volatility dynamics in financial markets
本文基于中国指数和德国DAX指数的分时和日数据，研究了金融市场的大波动动态。大波动前后的动力学弛豫均服从幂律，其指数$p_\pm$通常随大波动的强度而变化。大波动率动态在分钟时间尺度上是时间反转对称的，而在日时间尺度上是非对称的。分析表明，时间反演的不对称性主要是由外生事件引起的。也正是这些外生事件使得金融动态系统处于非平稳状态。揭示了中德两国股票市场的不同特征。
2011-03-25 physics.soc-ph 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
Direct evidence for inversion formula in multifractal financial volatility measure
保守多重分形测度的反演公式早在十年前就在数学上得到了揭示，但在实际的复杂系统中并没有得到很好的检验。在这封信中，我们建议使用高频湍流金融数据来验证反演公式。本文以1982 - 1999年的标准普尔500指数为例，构造了一个保守的波动率测度及其退出时间的逆测度。直接测量和逆测量都表现出良好的多重分形性质，其标度范围并非无关紧要。实证研究表明，在金融市场中，反转公式成立。
2008-01-23 physics.soc-ph q-fin.ST
Representation of probability distributions with implied volatility and biological rationale
经济学和金融学的理论和实践本质上是处理不确定的未来。人类在不同的活动中会遇到不确定性，从感觉运动控制到金融市场的动态，这一直是广泛研究的主题。用正态或对数正态分布表示不确定性是许多研究的共同特征。例如，在著名的Black-Scholes-Merton（BSM）模型中，提出了大脑中高斯多感官输入的贝叶斯积分或未来资产价格的对数正态分布。在BSM模型中，以时间的平方根为尺度的对数（未来资产价格）的标准差称为隐含波动率。实际上，log（未来资产价格）不是正态分布的，交易者会考虑这一点以避免损失。尽管如此，在波动率不变的假设下推导出的BSM公式仍然是金融市场中期权定价的主要统一框架。我认为，BSM公式如此受欢迎的原因之一可能是它能够将用隐含波动率衡量的不确定性转化为价格，这种方式与人类测量不确定性的直觉是相容的。本文研究了不确定性与BSM隐含波动率之间的数学关系。一些常见的概率分布的例子。总体而言，这项工作提出，代表各种概率分布的BSM隐含波动率配置文件可能是有意义的生物和金融世界。文中提供了必要的金融数学背景。
2021-09-25 math.PR q-bio.NC 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
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
Scaling and multiscaling in financial series: a simple model
我们提出了一个简单的随机波动率模型，这是易于分析，很容易模拟，并捕捉到一些相关的程式化事实的金融资产，包括标度属性。特别是，该模型显示了一个交叉的对数收益率分布从幂律尾（小时间）高斯行为（大时间），缓慢衰减的波动性自相关和多尺度的时刻。尽管参数很少，但该模型能够以惊人的准确度拟合金融指数时间序列的几个关键特征，如道琼斯工业平均指数。
2012-04-18 math.PR q-fin.ST
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
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
Portfolio Volatility Estimation Relative to Stock Market Cross-Sectional Intrinsic Entropy
选择股票投资组合并评估其相对于整个市场、市场指数或其他投资组合的波动风险，对专业基金经理和个人投资者都非常重要。我们的研究使用横截面的内在熵（CSIE）模型来估计横截面的波动率的股票组，可以被认为是一起作为投资组合的组成部分。在我们的研究中，我们将投资组合波动风险与CSIE提供的整个市场的波动性和使用纵向数据计算的市场指数的波动性进行基准比较。本文引入了基于CSIE的贝塔系数来衡量投资组合相对于市场指数和整个市场的相对波动风险。我们的经验证明，通过CSIE的贝塔，多组的符号，跑赢了市场指数的回报率，同时保持相同的风险水平，甚至低于市场指数所表现出的，可以发现，对于任何给定的时间间隔。这些符号集可用作成分股投资组合，并结合CSIE波动性估计提供的视角，在股票市场整体波动性的更广泛背景下，分层评估其相对波动性风险。
2023-03-16 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
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
Asset returns and volatility clustering in financial time series
对金融时间序列中的程式化事实进行了分析。我们发现，而不是在资产收益率分布的厚尾，在绝对收益率的自相关函数的缓慢衰减行为，实际上是直接相关的程度集群内的大波动的金融时间序列。我们还引入了一个指数来定量衡量这些时间序列中波动的聚集行为，并表明金融市场的大损失通常比大收益更严重。通过实例分析表明，与传统方法相比，该指数能够从金融时间序列中提取更多的信息。
2011-04-09 physics.soc-ph q-fin.ST
Multiscaling behavior in the volatility return intervals of Chinese indices
本文研究了两个中国指数连续1分钟波动超过某一阈值$q$的收益区间$τ$的概率分布。Kolmogorov-Smirnov（KS）检验表明，这两个指数在$τ$的分布中表现出多尺度行为，$τ$的分布服从拉伸指数形式$f_q(τ/< τ>)\sim e^{- a(τ/ < τ>)^γ}$，对于不同的阈值$q$，具有不同的相关指数$γ$，其中$<τ>$是对应于$q$某个值的平均返回间隔。一个扩展的自相似性分析的时刻提供了进一步的证据，多尺度的返回间隔。
2008-09-01 physics.soc-ph 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
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
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
Survivability and centrality measures for networks of financial market indices
利用全球92个证券交易所指数的数据，使用基于距离阈值的资产图分析了2007年至2010年（包括2008年次贷危机）集群的形成和演变。我还研究了连接和集群的生存能力，通过时间和噪声的影响，集中性措施适用于网络的金融指数。
2012-01-21 q-fin.ST
Cluster formation and evolution in networks of financial market indices
利用全球金融危机之前和期间世界证券交易所指数的数据，为不同的阈值和不同的时间段建立指数集群和网络，从而可以分析集群是如何根据指数之间的相关性形成的，以及它们如何随时间演变，特别是在金融危机期间。进一步分析了对应于相关矩阵次高特征值的特征向量，揭示了运行在不同时区的市场所特有的结构。
2011-11-22 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
A note on exact likelihoods of the Carr-Wu models for leverage effects and volatility in financial economics
最近Carr和Wu（2004，2005）以及Huang和Wu（2004）证明了在传统期权定价模型中使用的大多数随机过程都可以看作是时变Lévy过程的特殊情况。特别是，这些模型可以定制，以展示资产的对数价格和瞬时波动率的相关跳跃。自然类似于Barndorff-Nielsen和Shephard（2001 a，b）的最新工作，这些模型可以在基于可能性的框架中使用。这些可能性是基于未观察到的综合波动率，而不是瞬时波动率。James（2005）建立了一个大类此类模型的可能性和估计的一般结果，其中包括可能的杠杆效应。在本文中，我们证明了基于Carr和Wu（2005）以及Huang和Wu（2005）的推广的似然模型的精确表达式，本质上遵循James（2005）中定理5.1中的论点，但略有修改。这是为了正式验证James（2005）提出的一个主张。
2005-03-16 math.PR math.ST 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
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
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
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
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
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
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
Random Matrix Theory and Cross-correlations in Global Financial Indices and Local Stock Market Indices
我们使用随机矩阵理论（RMT）分析了全球金融指数（全球20个每日股票指数）和当地指数（韩国股票市场200家公司的每日指数）之间的价格波动之间的交叉相关性。我们比较了2008年全球金融危机之前、期间和之后的互相关矩阵的最大和第二大特征向量的特征值和分量。我们发现它的大部分特征值落在RMT界[λ_，λ+]内，其中λ_-和λ_+是随机相关矩阵特征值的上下界。最大正特征值的特征向量的分量指示主导全球和本地指数的相同金融市场模式。另一方面，对应于第二大特征值的特征向量的分量交替地为正值和负值。危机前的成分在危机期间改变符号，危机期间的成分在危机之后改变符号。在全球和地方指数中，与最小特征向量相对应的最大逆参与率在危机后高于任何其他时期。在全球金融危机期间，全球指数之间和本地股票指数之间的相关性受到显著扰动。然而，指数之间的相关性很快恢复了危机前的趋势。
2013-02-26 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
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
Stochastic Volatility with Heterogeneous Time Scales
代理人的异质性被认为是金融波动持续性的驱动机制。我们专注于投资策略的视野的多样性，我们嵌入这个概念在连续时间随机波动率的框架，并证明了一个简约的，两个尺度的版本有效地捕捉长记忆从实际数据测量。由于估计参数的随机波动率模型是具有挑战性的，我们介绍了一个强大的方法的基础上的广义矩方法支持的启发式选择的正交条件。除了波动率聚集，估计模型还捕捉其他相关的程式化的事实，作为一个最小的，但现实和完整的框架建模金融时间序列出现。
2013-04-03 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
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
Impact of the COVID-19 pandemic on the financial market efficiency of price returns, absolute returns, and volatility increment: Evidence from stock and cryptocurrency markets
该研究分析股票与加密货币市场的收益率、绝对收益率和波动率增量，发现COVID-19对市场有效性的影响因市场和指标而异，并提示按疫情分段分析可能产生误导。
2025-04-26 q-fin.ST
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
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
A Heterogeneous Spatiotemporal GARCH Model: A Predictive Framework for Volatility in Financial Networks
本文提出异质时空GARCH模型，将经典GARCH动力学与空间相关创新项及空间变化参数相结合，在资产负债表特征构建的代理空间中刻画金融网络波动率的空间溢出与传染效应，并支持未观测位置的空间波动率预测。
2025-08-11 math.ST q-fin.ST stat.TH
The Random Walk behind Volatility Clustering
金融价格的变化遵循两个普适的性质：它们遵循幂律，并且它们在时间上倾向于聚集。第二个规律性，称为波动率聚集，需要价格变化的一些可预测性：虽然它们的符号在时间上不相关，但它们的振幅（或波动率）是长期相关的。已经提出了许多模型来解释这些问题，特别是基于代理的模型，但这些模型往往调用相对复杂的机制。本文发现了波动率聚集背后的一个基本原因：外生消息对预期的影响。事实上，金融代理人的预期显然会随着新闻的出现而变化;对这一想法建模的最简单方法是假设预期遵循随机游走。我们表明，这种随机游走意味着波动率聚集在一个通用的方式。
2016-12-29 q-fin.ST
Correlation, Network and Multifractal Analysis of Global Financial Indices
本文运用RMT、Network和MF-DFA方法研究了20个全球金融指数的相关性、网络性和多重分形特性。我们分别比较了2008年金融危机之前和期间的结果。我们发现，网络方法提供了更多有用的信息，形成集群相比，从对应于第二大特征值的特征向量和这些部门的基础上形成的指数的地理位置得到的结果。在阈值0.6时，对应于美洲、欧洲和亚洲/太平洋的指数在危机前断开并形成不同的集群，但在危机期间，对应于美洲和欧洲的指数合并在一起形成一个集群，而亚洲/太平洋指数形成另一个集群。通过将阈值进一步提高到0.9，欧洲国家法国，德国和英国构成了联系最紧密的市场。我们研究了全球金融指数的多重分形性质，发现美洲和欧洲的金融指数与其他指数相比几乎处于相同的多重分形度范围内。印度、韩国、香港的指数与欧美指数的多重分形程度相近。埃及、印度尼西亚、马来西亚、台湾和新加坡的多重分形度变化很大，这可能是当我们提高金融网络的阈值时，这些国家首先在低阈值时开始与金融指数的相关网络断开的原因。我们将二项多重分形模型（BMFM）拟合到这些金融市场。
2012-02-02 q-fin.CP q-fin.ST
Comparison of volatility distributions in the periods of booms and stagnations: an empirical study on stock price indices
本文的目的是比较股票价格指数在繁荣时期和停滞时期的统计特性。我们使用全球主要股票市场的四个股票价格指数的每日数据：（一）日经225指数（ii）1946年1月2日至2004年8月18日的道琼斯工业平均指数（DJIA），（iii）标准普尔500指数（SP 500）（1982年11月22日至2004年8月18日），及（iii）金融时报证券交易所100指数（FT 100）（1984年4月2日至2004年8月18日）。我们将这些指数的时间序列分为两个时期：繁荣期和停滞期，并研究每个时期的绝对对数收益率的统计特性，这是一个典型的衡量波动性的指标。我们发现：（1）绝对对数收益率分布的尾部在繁荣期近似于指数接近3的幂律函数，而在停滞期近似于指数函数，其标度参数接近1。
2005-06-13 physics.soc-ph q-fin.ST
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
Deep Stochastic Volatility Model
Institute of Data Science and NUS Graduate School for Integrative Sciences & Engineering, National University of Singapore（新加坡国立大学数据科学研究所及综合科学与工程研究生院）；Department of Mathematics and Risk Management Institute, National University of Singapore（新加坡国立大学数学系及风险管理研究所）
金融资产收益的波动性可以用来衡量金融市场的风险。本文在深层潜变量模型的基础上提出了一个深层随机波动率模型。它使用灵活的深度学习模型来自动检测未来波动率对过去收益率、过去波动率和随机噪声的依赖性，从而提供灵活的波动率模型，而无需手动选择特征。我们开发了一个可扩展的推理和学习算法的基础上变分推理。在实际数据分析中，DSVM优于几个流行的替代波动率模型。此外，DSVM的预测波动率提供了一个更可靠的风险度量，可以更好地反映金融市场的风险，与美国股票市场上的庞大数据集相比，当市场变得更有风险时，可以更快地达到更高的水平，当市场更稳定时，可以更快地达到更低的水平。
2021-02-25 cs.LG q-fin.ST
Modeling stylized facts for financial time series
为了模拟金融时间序列中收益率的经验行为，构造了收益率的多元概率密度函数。它们描述了高斯随机游走的既定偏差，例如收益率分布的近似标度和重尾，长期波动率-波动率相关性（波动率聚类）和收益率-波动率相关性（杠杆效应）。该模型成功地测试，以适应联合分布的100+年的每日价格回报的道琼斯30工业平均指数。
2004-11-03 cond-mat.other q-fin.ST
Analysis of a Class of Likelihood Based Continuous Time Stochastic Volatility Models including Ornstein-Uhlenbeck Models in Financial Economics
Barndorff-Nielsen和Shephard在最近的一系列论文中引入了一类有吸引力的金融资产连续时间随机波动率模型，其中波动率过程是正的Ornstein-Uhlenbeck（OH-U）过程的函数。已知该模型比基于高斯的模型灵活得多。这种方法目前的一个问题是，一个易于处理的精确分析的可能性为基础的随机波动模型的股票的日志价格的回报。考虑到这一点，Barndorff-Nielsen和Shephard的似然模型被视为更大一类模型的成员。这是基于n个条件独立的正态随机变量的似然，其均值和方差可表示为一个共同的不可观测泊松随机测度的线性泛函。通过应用James（2005，2002）中的方法，特别是泊松随机测度的Esscher型变换，结合Weber-Sonine公式的特殊情况，可以方便地分析这些模型。它示出的边际似然可以表示在一个多维傅里叶余弦变换。这会产生易于处理的形式的可能性，也允许一个完整的贝叶斯后验分析的综合波动过程。给出了在给定观测数据下对数价格的后验密度的一般公式，该公式在期权定价中具有潜在的应用价值。在第5节中，我们扩展了模型以包括杠杆效应。它表明，推理并不一定需要模拟的随机措施。相反，经典的数值积分可用于最一般的情况。
2005-08-13 math.PR math.ST q-fin.ST
Dynamic Conditional Correlation between Electricity and Stock markets during the Financial Crisis in Greece
电力市场的自由化越来越需要了解电力市场和金融市场之间的波动性和相互关系。这项工作揭示了这两个市场之间的相关模式的结构性变化的存在，并将变化与市场的基本面和监管条件以及当前的欧洲金融危机联系起来。我们应用动态条件相关（DCC）GARCH模型来研究一组市场的基本变量和希腊的金融市场和微观经济指标之间的相互作用。重点是在严重的金融危机时期的国家，以了解这两个市场之间的传染和波动溢出。
2017-08-11 q-fin.ST
Networks, Dynamic Factors, and the Volatility Analysis of High-Dimensional Financial Series
我们考虑加权有向网络分析，在2000-2013年期间，属于标准普尔100指数的一个大面板的股票的波动之间的相互依赖性。特别是，我们专注于所谓的{ \it长期方差分解网络}（LVDN），其中节点是股票，与边$(i,j)$相关的权重表示变量$j$的新息占变量$i$的$h$ -逐步预测误差方差的比例。为了克服维数灾难，我们将面板分解为几个全球性的，市场范围内的因素驱动的组件，和一个独特的一个建模的稀疏向量自回归（VAR）模型。VAR的反演加上适当的识别限制，产生估计的网络，通过它我们可以评估每个公司的{ \it系统性}如何。我们的分析表明，金融公司作为传染源的突出作用，特别是在2007-2008年危机期间。
2016-07-04 q-fin.ST stat.ME
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
