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
ARCH and GARCH Models vs. Martingale Volatility of Finance Market Returns
Einstein模型和GARCH模型假设i.i.d.或者（经济学家称之为）回归分析中常见的白噪声，同时假设记忆是平稳增量的条件均方波动。我们将证明，与不相关的增量不一致，违反了独立同分布。以及白色假设和金融数据和有效市场假说。
2008-03-31 physics.data-an physics.soc-ph q-fin.ST
Modeling interest rate swap volatility with GARCH processes
Faculty of Pure and Applied Mathematics, Wrocław University of Science and Technology（纯科学与应用数学学院，弗罗茨瓦夫科技大学）
本研究用GARCH、GJR-GARCH及两区制马尔可夫转换GARCH模型分析美元远期互换利率波动率，发现MSGARCH能稳定区制参数并捕捉时变特征，虽BIC偏好简约模型，但其结构解释更清晰。
2026-09-23 q-fin.MF 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
From GARCH to Neural Network for Volatility Forecast
BNU-HKBU United International College（北京师范大学-香港浸会大学联合国际学院）；Hong Kong University of Science and Technology（香港科技大学）
本研究通过建立 GARCH 家族模型与神经网络的等价关系，提出 GARCH-NN 方法将波动率经验事实注入神经网络，并开发 GARCH-LSTM 模型，实验证明该融合方法优于单独使用随机或 NN 模型。
2024-01-29 cs.LG 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
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 Horserace of Volatility Models for Cryptocurrency: Evidence from Bitcoin Spot and Option Markets
我们使用比特币现货价格序列测试各种波动率模型。我们的模型包括HIST、EMA、GISTRY和EGISTRY模型。我们的样本内拟合和样本外预测结果都表明，GARCH和EGARCH模型比其他模型表现得更好。此外，EGBTC模型的非对称项为正且不显著，这表明比特币价格缺乏对过去回报的非对称波动性反应。最后，我们利用期权的隐含波动率与GARCH波动率预测之间的波动率差，制定了一个期权交易策略。我们发现，一个简单的波动率价差交易策略与德尔塔对冲可以产生强大的利润。
2020-10-04 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
Long-memory GARCH via a two-dimensional Markov chain
Yeungnam University（荣州大学）
研究提出基于二维马尔可夫链的长记忆GARCH波动率模型，通过潜在幂律核更新产生状态依赖衰减。推导条件建立特性，模拟与实证表明该模型能捕捉波动率持续性，且二维马尔可夫状态下样本外预测准确性具竞争力。
2026-07-29 q-fin.ST stat.ME
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
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
Multi-Scale Markov Switching GARCH
针对金融波动非平稳性，提出三重时间框架的MS-GARCH模型，通过独立估计日、4小时、小时三个时间尺度的AR(1)-MS-GARCH并利用Filardo时变转移概率和复合压力指标，构建27状态跨尺度概率张量，在EUR/USD数据上优于传统GARCH的波动率预测。
2026-06-04 q-fin.ST
Volatility Modeling of Stocks from Selected Sectors of the Indian Economy Using GARCH
Praxis Business School（普拉西斯商学院）
波动率聚集是影响股票市场行为的一个重要特征。然而，设计鲁棒模型来准确预测股票价格的未来波动是一个非常具有挑战性的研究问题。我们提出了几个波动率模型的基础上广义自回归条件异方差（GARCH）的框架，在印度国家证券交易所（NSE）上市的10只股票的波动性建模。这些股票选自印度经济的汽车行业和银行业，它们对NSE中各自行业的行业指数有重大影响。2010年1月1日至2021年4月30日的历史股价记录是使用Python编程语言中Pandas模块的DataReader API从雅虎财经网站上抓取的。在训练数据上构建和微调Gestro模块，然后在样本外数据上进行测试，以评估模型的性能。结果分析表明，非对称GARCH模型对股票未来波动率的预测更为准确。
2021-05-28 cs.LG q-fin.CP 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 Hybrid Forecast of S&P 500 Volatility ensembled from VIX, GARCH and LSTM models
本研究比较了GARCH、LSTM及融合VIX指数的混合LSTM-GARCH模型，发现机器学习混合模型显著提升了S&P 500波动率预测准确性，有助于优化风险管理与投资决策。
2024-07-23 q-fin.PM q-fin.ST q-fin.TR
An Intraday GARCH Model for Discrete Price Changes and Irregularly Spaced Observations
本文提出一种得分驱动的零膨胀Skellam日内GARCH模型，以处理高频价格的离散性、不规则间隔、同时交易及微观结构噪声，并在IBM股票实证中验证其拟合与波动率度量效果。
2024-05-08 q-fin.ST
Time-varying volatility in Bitcoin market and information flow at minute-level frequency
本文通过广义自回归条件异方差（GARCH）族统计模型分析了比特币市场上分钟价格收益率的时间序列。在金融学中已经提出了几个数学模型来模拟价格回报的动态，每个模型都引入了不同的视角来研究这个问题，但没有一个是没有缺点的。我们结合了一种方法，使用历史价值的回报和他们的波动率-Gesthem家族的模型，与所谓的“混合分布假说”，它指出，价格回报的动态是由有关市场的信息流。使用比特币相关推文的时间序列和交易量作为外部信息，我们测试了几个GARCH模型变体在分钟级别的比特币价格时间序列上的波动率预测的改进。统计检验表明，最简单的GARCH（1，1）的反应最好的外部信号的添加模型的波动过程的样本外数据。
2021-01-28 q-fin.ST
Data driven value-at-risk forecasting using a SVR-GARCH-KDE hybrid
适当的风险管理对确保金融机构的竞争力和经济稳定至关重要。风险价值（Value-at-Risk，VaR）是一种广泛使用的金融风险度量方法。基于线性和参数模型的VaR估计可能会导致有偏差的结果，甚至低估风险，因为金融收益序列的时变波动性，偏态和尖峰态。本文提出了一个非线性和非参数的框架来预测风险价值，这是出于克服参数模型的缺点与纯粹的数据驱动的方法。均值和波动率通过支持向量回归（SVR）建模，其中波动率模型由标准的广义自回归条件异方差（GARCH）公式驱动。在此基础上，应用核密度估计（KDE）推导了VaR。这种方法允许灵活的尾部形状的利润和损失分布，适用于广泛的尾部事件，并能够捕捉复杂的结构，关于均值和波动性。的SVR-GARCH-KDE的混合相比，标准，指数和阈值GARCH模型加上不同的误差分布。为研究不同市场的表现，我们会为不同的金融指数编制未来一日及未来十日的预测。使用基于似然比的测试框架进行区间预测和测试卓越的预测能力的模型评估表明，SVR-GARCH-KDE混合执行基准模型的竞争力，并减少潜在的损失，特别是对10天的预测显着。特别是与正态分布相结合的模型在系统上表现更好。
2020-09-15 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
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
Multivariate Modeling of Daily REIT Volatility
本文采用多变量GARCH模型研究了REITs的波动性。多变量VAR-GARCH技术记录了REITs子行业之间的回报率和波动率联系，并研究了其他美国股票系列的影响。投资者的动机是将时变波动率和相关性纳入他们的投资组合选择。结果表明，当测试更高频率的每日数据时，与现有文献中常用的月度数据相比，结果存在差异。REITs部门内部以及REITs与价值股等相关部门之间的联系都比月度研究中常见的联系要弱。在日常情况下，大盘似乎更具影响力。
2011-03-29 q-fin.ST
GARCH(1,1) model of the financial market with the Minkowski metric
在价格与时间不可分离的假设下，利用Gestival（1，1）的Minkowski度量，解决了一个关于波动集群现象的长记忆过程的程式化事实.作为广义相对论证明的结果，我们给出了金融市场中的Yang-Mills方程和时间序列数据超空间上的反常。我们将Minkowski时空中的一个独创性思想嵌入到Kolmogorov空间中的时间序列数据中，其结果等价于市场崩溃时金融市场恐慌中交易者行为的相互作用所诱发的暗波动或隐藏的风险恐惧场。
2018-08-01 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
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
Liquidity-adjusted Return and Volatility, and Autoregressive Models
本文提出流动性调整的ARMA-GARCH模型，通过流动性跳跃和扩散指标改进对加密货币等高流动性变异资产的建模，并验证LAMV组合优于传统TMV组合。
2025-03-02 q-fin.RM q-fin.ST q-fin.TR
On the connection between financial processes with stochastic volatility and nonextensive statistical mechanics
$GARCH$算法是Engle最初提出的对\it返回进行建模的$ARCH$过程的最著名的概括。这两种情况的特征在于呈现时间依赖性和相关性方差或{ \it波动率}。除了存储参数$b$（存在于$ARCH$中）和独立且同分布的噪声$ω$，$GARCH$还涉及另一参数$c$，使得对于$c=0$，再现标准的$ARCH$过程。在这篇手稿中，我们使用一个广义的噪声分布的特点是由一个指数$q_{n}$，使$q_{n}=1$恢复高斯分布。匹配低统计矩的$GARCH$分布的回报率与$q$ -高斯分布通过最大化熵$S_{q}=\frac{1-\sum_{i}p_{i}^{q}}{q-1}$，非广泛的统计力学的基础上，我们得到了唯一的分析$q$和$(b,c,q_{n}) $，原来是非常好的计算模拟相比。有了这个结果，我们也得到了一个解析近似的平稳分布（平方）波动率。利用基于$S_{q}$的广义Kullback-Leibler相对熵形式，我们还分析了Gestival（1，1）过程的连续返回值$z_{t}$和$z_{t+1}$之间的依赖程度.这种依赖程度由熵指数$q^{op}$量化。我们的分析指出，存在一个独特的关系之间的三个熵指数$q^{op}$，$q$和$q_{n}$的问题，独立的$(b,c)$的值。
2005-02-05 cond-mat.stat-mech 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
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
Visibility-Graph Asymmetry as a Structural Indicator of Volatility Clustering
Interdisciplinary Centre for Mathematical and Computational Modelling, University of Warsaw（华沙大学数学与计算建模跨学科中心）
本文提出通过可见性图不对称性检测金融时间序列中的波动聚集现象，利用HVG不对称特征区分GARCH动态与噪声，实现高准确率识别。
2025-12-03 q-fin.CP q-fin.ST q-fin.TR
Uncovering Long Memory in High Frequency UK Futures
准确的波动率建模对于最佳风险管理实践至关重要。金融波动的一个程式化的特点，影响建模过程是长记忆本文探讨的替代风险措施，观察到的绝对和平方收益的高频日内英国期货。利用股票指数、利率和债券期货三种不同资产类型的波动率序列进行了分析。债券合约的长记忆最强。长记忆对于绝对收益序列和k < 1的幂变换总是最强的。长记忆的研究结果通常包括日内周期性。包含七个相关GARCH过程的APRECT模型通常对期货系列进行建模，充分记录了GARCH、GARCH和杠杆效应。
2011-03-29 q-fin.ST
Forecasting High-Dimensional Covariance Matrices of Asset Returns with Hybrid GARCH-LSTMs
Université Paris-Dauphine - PSL（巴黎第九大学（巴黎多菲纳大学）- PSL）；Sorbonne Université（索邦大学）
一些学者研究了混合模型的能力，混合单变量广义自回归条件异方差（GARCH）模型和神经网络提供更好的波动性预测比纯粹的计量经济模型。尽管提出了非常有前途的结果，这种模型的推广到多变量的情况下，还有待研究。此外，很少有论文研究神经网络预测资产收益协方差矩阵的能力，并且所有论文都使用了相当少量的资产，因此没有解决所谓的维数灾难。本文的目的是研究混合模型，混合Gestival过程和神经网络，预测资产收益率的协方差矩阵的能力。为此，我们提出了一个新的模型，基于多变量GARCH分解波动性和相关性预测。波动率在这里使用混合神经网络预测，而相关性遵循传统的计量经济学过程。在最小方差投资组合框架下实现模型后，我们的结果如下。首先，添加Gestival参数作为输入对所提出的模型是有益的。其次，使用one-hot-encoding来帮助神经网络区分每只股票，提高了性能。第三，提出的新模型是非常有前途的，因为它不仅优于同等权重的投资组合，而且还通过一个显着的利润率的计量经济学对应，使用单变量GARCH预测波动率。
2021-08-25 cs.LG q-fin.ST
Analyzing Currency Fluctuations: A Comparative Study of GARCH, EWMA, and IV Models for GBP/USD and EUR/GBP Pairs
Microsoft（微软）
本研究比较了GARCH、EWMA和IV模型在预测GBP/USD和EUR/GBP货币对20天波动率方面的表现，发现GARCH模型结合滚动窗口适用于前者，而结合隐含波动率的GARCH与OLS模型更适用于后者。
2024-02-12 cs.AI cs.LG q-fin.ST
Long-term Memory and Volatility Clustering in Daily and High-frequency Price Changes
本文利用去趋势波动分析（DFA）研究了不同股票市场指数和汇率的长期记忆性。对于所有的日常和高频市场数据的研究，没有发现显着的长期记忆性质的收益率序列，而一个很强的长期记忆性质的波动率时间序列中被发现。分别利用反映短期记忆性的AR（1）模型和反映波动聚集性的GARCH（1，1）模型对收益率数据进行滤波，研究了长期记忆性的可能原因。值得注意的是，我们发现AR（1）滤波后的收益率和波动率时间序列中的记忆效应保持不变，而Gestion（1，1）滤波数据的波动率序列中的长期记忆特性消失或显著减弱。我们还发现，在高频数据的长期记忆性可能产生的波动聚类以及较高的自相关。我们的研究结果表明，长期记忆性的波动时间序列可以归因于在金融时间序列中观察到的波动聚类。
2006-07-29 physics.soc-ph 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
Data-Driven Risk Measurement by SV-GARCH-EVT Model
本文提出SV-EVT-VaR动态模型，将厚尾分布、杠杆效应与极值理论相结合，用于更准确地度量股票市场风险，并通过标普500指数数据验证其在样本外回测中的优越性。
2024-12-27 q-fin.MF q-fin.RM 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
Dynamic time series clustering via volatility change-points
本说明概述了一种根据波动性在未观察到的变点发生变化的统计模型对时间序列进行聚类的方法。该模型容纳了一些经典的风格化特征的回报和它的关系，Gestival进行了讨论。使用与每个系列相关的最近变化点的后验分布之间评估的概率距离进行聚类。这意味着如果有证据表明它们各自的波动率最近的变化是一致的或时间接近的，那么系列在给定的时间被分组在一起。聚类方法是动态的，因为分组可以在数据到达时以在线方式更新。数值结果给出分析的S&P 500的成分的每日收益。
2019-06-25 q-fin.ST stat.ME
Bridging Econometrics and AI: VaR Estimation via Reinforcement Learning and GARCH Models
Inria（法国国家信息与自动化研究所）；CNRS（法国国家科学研究中心）；Univ. of Lille（里尔大学）；Centrale Lille（里尔中央理工学院）；UMR 9189 - CRIStAL（法国国家科学研究中心信号与自动控制、计算机科学实验室）；MRE UR 209（蒙彼利埃经济研究中心）
本文提出将GARCH波动率模型与DDQN深度强化学习相结合的混合框架，通过方向性市场预测动态调整VaR估计，在Eurostoxx 50数据上显著提升风险估计准确性并降低违规次数和资本要求。
2025-08-18 cs.AI q-fin.CP q-fin.RM
Copula Processes
我们定义了一个Copula过程，它描述了任意多个随机变量之间的依赖关系，与它们的边缘分布无关。作为一个例子，我们开发了一个随机波动率模型，高斯Copula过程波动率（GCPV），预测潜在的标准差的随机变量序列。为了进行预测，我们使用贝叶斯推断，拉普拉斯近似，并与马尔可夫链蒙特卡罗作为替代。我们发现这两种方法具有可比性。我们还发现我们的模型可以在模拟和财务数据上优于Gestival。与GCV不同的是，GCPV可以轻松处理缺失数据，包含除时间以外的协变量，并对丰富的协方差结构进行建模。
2010-06-09 math.PR q-fin.CP q-fin.ST
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
Modeling of Financial Data: Comparison of the Truncated Lévy Flight and the ARCH(1) and GARCH(1,1) processes
我们比较我们的实证分析结果的金融数据与模拟的两个随机模型的股票市场价格的动态。这两个模型是（i）我们最近引入的截断Lévy飞行模型和（ii）Gescher-Stokes（1）和Gescher-Stokes（1，1）过程。我们发现TLF很好地描述了经验数据中观察到的标度及其分解，但它不能正确地描述经验检测到的波动性波动。模型能够描述给定时间范围内价格变化的概率密度函数，但都不能描述短时间范围内PDF的标度特性。
1998-04-11 cond-mat.dis-nn cond-mat.stat-mech q-fin.ST
On the macroeconomic fundamentals of long-term volatilities and dynamic correlations in COMEX copper futures
本文利用GARCH-MIDAS和DCC-MIDAS模型，研究低频宏观变量对COMEX铜期货高频收益及与标普500长期相关性的影响，发现PPI是最有效的宏观变量，加入PPI的MIDAS滤波器可提升模型拟合效果。
2024-09-12 q-fin.ST
Uncovering Volatility Dynamics in Daily REIT Returns
本文采用随时间变化的方法，研究了REITs行业的波动性动态。研究结果突出了使用基于GARCH的方法对REITs每日波动率建模的吸引力和适用性。本文探讨了REITs波动性的影响因素，记录了REITs子行业之间的回报和波动性联系，并研究了其他美国股票系列的影响。这一结果与以往对REITs月度波动性的研究形成了鲜明对比。房地产投资信托基金部门内部以及与价值股等相关部门的联系减弱，而通过大型股指数产生的市场情绪的总体影响力增强。这将表明，在日常基础上，一般市场情绪比资本市场内更直观的关系发挥更根本的作用。
2011-03-28 q-fin.ST
Comparing Deep Learning Models for the Task of Volatility Prediction Using Multivariate Data
The Australian National University（澳大利亚国立大学）；Monash University（莫纳什大学）；Euler Capital（欧拉资本）；Lensky Analytics（伦斯基分析公司）；University of Turku（图尔库大学）
该研究比较多种深度学习模型在多变量数据下预测波动率，发现时间融合Transformer及时间卷积网络变体优于经典GARCH和浅层网络，且差异显著。
2023-06-23 cs.LG q-fin.CP q-fin.RM
Estimating value at risk: LSTM vs. GARCH
估计风险值的时间序列数据可能异方差动态是一个极具挑战性的任务。通常情况下，我们面临着一个小数据的问题，结合高度的非线性，造成困难的经典和机器学习估计算法。在本文中，我们提出了一种新的使用长短期记忆（LSTM）神经网络的风险价值估计器，并将其性能与基准Gestival估计器进行了比较。我们的研究结果表明，即使对于相对较短的时间序列，LSTM也可以用于改进或监控风险估计过程，并以非参数方式正确识别潜在的风险动态。我们评估了模拟数据和市场数据的估计量，重点是异方差性，发现LSTM在模拟数据上表现出与Gestival估计量相似的性能，而在真实市场数据上，它对波动性的增加或减少更敏感，并且在异常率和平均分位数得分方面优于所有现有的风险价值估计量。
2022-07-21 q-fin.RM q-fin.ST stat.ML
High-Frequency-Based Volatility Model with Network Structure
本文介绍了一种新的多元波动率模型，它可以适应一个适当定义的网络结构的基础上的低频和高频数据。该模型大大减少了未知参数的数量和计算复杂度。讨论了模式参数化和迭代多步预报问题，提出了目标参数化方法。提出了参数估计的拟似然函数，并建立了它们的渐近性质。一系列的模拟实验进行评估的性能估计在有限的样本。一个实证的例子表明，该模型优于网络GARCH模型，收益是特别显着的短期预测范围。
2022-04-14 q-fin.ST stat.OT
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
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
Long Memory and Volatility Clustering: is the empirical evidence consistent across stock markets?
长记忆和波动率聚集是与金融市场经常相关的两个典型事实。传统上，这些现象已被研究的基础上有条件的异方差模型，如ESTA，GSTA，IGSTA和FIGSTA，除其他外。这些模型的一个优点是它们能够捕获非线性动力学。研究波动现象的另一个有趣的方式是使用基于熵概念的度量。本文研究了标准普尔500指数、纳斯达克100指数和斯托克50指数的长记忆性和波动率聚集性，以比较美国和欧洲市场。此外，我们比较了条件异方差模型与熵测度的结果。在后者中，我们考察了Shannon熵，Renyi熵和Tsallis熵。结果证实了之前所考虑的时间序列中非线性动力学的证据。
2008-03-14 physics.soc-ph q-fin.ST
Exploring asymmetric multifractal cross-correlations of price-volatility and asymmetric volatility dynamics in cryptocurrency markets
价格与波动之间的非对称关系是金融市场时间序列的一个显著特征。本文探讨了加密货币市场中的价格波动关系，并研究了上升趋势（牛市）和下降趋势（熊市）制度之间存在的非对称波动效应。传统的GARCH类模型表明，在加密货币市场中，波动对回报的不对称反应与其他传统金融资产不同。我们从分形分析的角度来解决这个问题，它可以涵盖非线性相互作用和自相似性在经济物理学领域广泛认可的属性。使用MF-ADCCA方法研究了2016年6月1日至2020年12月28日期间比特币（BTC），以太坊（ETH），瑞波币（XRP）和莱特币（LTC）价格与波动率之间的非对称交叉相关性，并通过非对称DCCA系数进行量化。该方法考虑到非线性和非对称多重分形标度特性，提供了新的见解，在调查中的动态方式的关系。我们发现，对于成熟的BTC和ETH来说，下跌趋势市场的交叉相关性比上涨趋势市场更强。相比之下，对于XRP和LTC，在上升趋势市场中交叉相关性更强的地方存在反向反应。
2021-06-23 q-fin.ST
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
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
Long Short-Term Memory Networks for CSI300 Volatility Prediction with Baidu Search Volume
School of Mathematics, Yunnan Normal University（云南师范大学数学学院）；College of Economics, Sichuan University（四川大学经济学院）
金融市场的剧烈波动影响着全世界的人们。因此，相对准确地预测波动率至关重要。我们认为，人类与互联网互动产生的大量数据源可能会为市场参与者在大的市场波动时期的行为提供一个新的视角。首先，我们选择了28个关键词，这些关键词与金融相关，作为公众情绪和宏观经济因素的指标。然后人工收集2006年6月1日至2017年10月29日基于百度指数的每日搜索量的28个词。我们应用长短期记忆神经网络预测CSI300的波动性使用这些搜索量数据。与基准GARCH模型相比，我们的预测更准确，这证明了LSTM神经网络在波动率预测中的有效性。
2018-05-29 cs.LG q-fin.ST stat.ML
