Forecasting Oil Volatility through Network Models with GARCH-Informed Correlation Weights
University of Bejaia(贝贾亚大学);Cardiff University(卡迪夫大学);University of Glasgow(格拉斯哥大学)
本文提出一种基于GARCH信息相关权重的网络模型,用于预测石油波动性,通过改进的网络结构和计算方法,实现更高的预测精度和计算效率。
2026-02-20 econ.EM
Asset volatility forecasting:The optimal decay parameter in the EWMA model
指数加权移动平均(EMWA)可以被标记为一个有竞争力的波动率估计,其主要优势依赖于计算的简单性,特别是在多资产的情况下,由于只依赖于衰减参数,$λ$。但是,在EMWA波动模型中,$λ$的最佳选择是什么?通过一个大型的时间序列数据集的历史收益率的顶级美国大盘股公司,我们实证测试的预测性能的EWMA方法,在不同的时间范围和不同的衰减参数。使用滚动窗口方案,方差-协方差矩阵的样本外性能计算如下两种方法。首先,如果我们为整个样本寻找一个固定的衰减参数,结果与Risklett建议的1个月预测一致。此外,我们提供了全样本的最佳衰减参数的每周和每两周的预测水平的情况下,确认两个事实:i)最佳值是作为预测水平的函数,和ii)对于较低的预测水平的短期记忆增益的重要性。在第二种方式中,我们还评估了EWMA的预测性能,但这次使用的最佳时变衰减参数,最大限度地减少了样本方差-协方差估计,达到更好的精度比使用固定的全样本最佳参数。
2021-05-29 econ.EM
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
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
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
A Design Concept of Forecasting Software for Normalized Vector Autoregressions with Fat Tails and Stochastic Volatility
School of Economics and Trade, Guangdong University of Foreign Studies(广东外语外贸大学经济贸易学院);Department of Economics, University of Melbourne(墨尔本大学经济学系)
该研究设计了一套R软件包,结合C++效率与R便利性,实现多种高级计量模型,用于宏观经济预测,可提升预测表现,助力相关原创研究。
2026-08-31 econ.EM stat.CO
A machine learning approach to volatility forecasting
Aarhus University(奥胡斯大学)
本文提出了一种机器学习方法,通过比较多种算法,证明其在预测波动率方面优于传统HAR模型,尤其在长预测范围内表现更佳。
2026-01-19 econ.EM
HARNet: A Convolutional Neural Network for Realized Volatility Forecasting
尽管深度神经网络在许多应用领域取得了令人印象深刻的成功,但迄今为止,神经网络模型尚未在波动性预测方面得到广泛采用。在这项工作中,我们的目标是弥合已建立的时间序列方法(如异质自回归(HAR)模型)和最先进的深度神经网络模型之间的概念差距。新引入的HARNet基于一个膨胀卷积层的层次结构,这有助于模型参数数量的模型感受野的指数增长。HARNet允许显式初始化方案,使得在优化之前,HARNet产生与相应基线HAR模型相同的预测。特别是当考虑QLIKE误差作为损失函数时,我们发现这种方法显着稳定了HARNets的优化。我们评估的性能HARNets相对于三个不同的股票市场指数。基于此评估,我们制定了明确的指导方针,优化HARNets,并表明HARNets可以大大提高其各自的HAR基线模型的预测精度。在对HARNet学习的滤波器权重的定性分析中,我们报告了关于过去信息的预测能力的清晰模式。在前一周、昨天和前天的信息中,昨天的波动对今天的已实现波动预测的贡献最大。然而,在过去的一个月里,随着时间的推移,单周的重要性几乎呈线性下降。
2022-05-16 econ.EM stat.ML
Modelling and Forecasting Macroeconomic Risk with Time Varying Skewness Stochastic Volatility Models
本文提出基于时变偏度 Skew-Normal 和 Skew-t 冲击的随机波动率参数化框架,开发贝叶斯估计采样器,用于预测美国 GDP 增长下行风险,并验证时变偏度是宏观金融冲击的重要特征。
2023-11-20 econ.EM
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
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
srvar-toolkit: A Python Implementation of Shadow-Rate Vector Autoregressions with Stochastic Volatility
srvar-toolkit 是一个用于处理利率下限问题的Python工具包,结合贝叶斯向量自回归和随机波动率模型,提供多种统计方法和灵活的配置选项。
2025-12-22 econ.EM stat.CO
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
Deep Learning Enhanced Realized GARCH
University A(A大学);University B(B大学);The University of Sydney Business School(悉尼大学商学院);UNSW Business School(新南威尔士大学商学院)
提出一种LSTM增强的已实现GARCH框架,结合深度学习与已实现波动率测度,通过贝叶斯推断实现联合建模,在多个指标上优于基准模型,并在包含疫情时期的31个指数上验证了优越性能。
2023-10-17 cs.LG econ.EM q-fin.CP
Modeling and Forecasting Intraday Market Returns: a Machine Learning Approach
在本文中,我们通过机器学习方法在高频环境中研究市场收益率和波动性指标之间的关系。我们使用两个非线性模型实现逐分钟滚动窗口日内估计方法:长短期记忆(LSTM)神经网络和随机森林(RF)。我们的估计表明,在我们的分析中,CBOE波动率指数(VIX)是日内市场回报率最强的候选预测因子,特别是在通过LSTM模型实现时。该模型还显著提高了滞后市场收益率作为预测变量的性能。最后,当天的RF估计输出表明,这种方法没有提高性能,在某些情况下,它甚至可能恶化的结果。
2021-12-30 econ.EM
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