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
Feedback effect between Volatility of capital flows and financial stability: evidence from Democratic Republic of Congo
金融体系作为资本流动（储蓄与投资相等）的场所，资本流动的波动会破坏金融体系的稳健性和良好运行，意味着破坏金融稳定。同样，一个脆弱的金融体系，很少受到监管，管理不善，会加剧资本流动的波动，严重破坏金融稳定。本研究提供了刚果民主共和国资本流动波动与金融稳定之间的反馈效应的证据，并估计了宏观经济和宏观审慎政策在衰减资本流动波动对金融稳定的影响和预防金融不稳定方面的贡献。通过Feldstein-Horioka动态回归模型的评估，我们发现金融体系广泛地由国际资本流动提供和融资。这种牵连的刚果经济在金融上是流动的，这可能对金融稳定造成危险。通过对金融体系绝对规模的动态计量研究，我们发现金融体系对实体经济具有系统权重。因此，金融系统的震荡可能对刚果经济产生破坏性影响。为了证明宏观经济政策和宏观审慎政策的双边因果关系和影响，我们估计了一个向量自回归（VAR）模型。从实证结果来看，一方面资本流动波动与金融稳定之间存在反馈效应，另一方面宏观经济政策和宏观审慎政策并不能有效地抑制资本流动波动，防止金融不稳定。这说明宏观审慎政策比货币政策更能发挥作用。刚果中央银行实施宏观审慎框架有利于实现金融稳定，降低资本流动的波动性。关键词：资本流动波动性，金融稳定，宏观经济和宏观审慎政策
2017-08-25 q-fin.CP
AMA-LSTM: Pioneering Robust and Fair Financial Audio Analysis for Stock Volatility Prediction
Virginia Tech（弗吉尼亚理工大学）；Texas A&M University - Corpus Christi（德州农工大学科珀斯克里斯蒂分校）；Stevens Institute of Technology（史蒂文斯理工学院）
本文提出AMA-LSTM模型，通过对抗训练生成扰动以模拟股市随机性和性别偏见，从而提升多模态股票波动率预测模型的稳健性与公平性，并在真实金融音频数据集上超越了现有最先进方法。
2024-07-03 cs.CL cs.LG eess.AS
Stock Volatility Prediction using Time Series and Deep Learning Approach
Praxis Business School（普拉西斯商学院）
针对股票波动率预测难题，结合多类GARCH模型与LSTM框架，对印度NSE三大行业股票开展实验，验证了不同模型在各行业的预测性能差异。
2022-10-05 cs.LG q-fin.CP
Deep Learning Enhanced Multivariate GARCH
Discipline of Business Analytics, The University of Sydney Business School（商业分析系，悉尼大学商学院）
本文提出LSTM-BEKK框架，将长短期记忆网络与BEKK模型结合，以更好地捕捉金融收益的非线性、动态和高维依赖结构，并在多个股票市场的样本外投资组合风险预测中取得优于传统方法的性能，同时保留BEKK的可解释性。
2025-06-03 cs.AI econ.EM q-fin.CP
Risk forecasting using Long Short-Term Memory Mixture Density Networks
本文研究 LSTM-MDNs 在 VaR 预测中的表现，测试三种架构并与历史模拟、CMM 和 GARCH 对比，发现其在平稳期表现不佳但在动荡期优于基准模型，同时指出模型初始化与大数据依赖问题。
2025-01-02 q-fin.CP
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
Volatility Forecasting and Return Prediction under Market Regimes: Evidence from High-Frequency Chinese Equity Data
University of Warsaw（华沙大学）
研究将机制依赖的波动率预测与基于机器学习的收益预测相结合，使用中国高频股指数据构建两阶段框架，发现机制感知的波动率预测优于基准模型，但收益预测仅在低波动机制下有效，且需结合波动率缩放等策略才能提升经济表现。
2026-06-08 q-fin.CP q-fin.MF q-fin.TR
Combining Deep Learning and GARCH Models for Financial Volatility and Risk Forecasting
Krakow University of Economics（克拉科夫经济大学）；University of Warsaw（华沙大学）
本研究结合GARCH类模型与GRU网络构建混合金融预测方法，经三类资产测试发现其能提升点波动率预测精度，但未必能优化VaR与ES风险预测效果。
2023-10-02 cs.AI cs.LG q-fin.CP
Sizing Strategies for Algorithmic Trading in Volatile Markets: A Study of Backtesting and Risk Mitigation Analysis
本文研究高波动市场中不同头寸规模模型对算法交易风险的影响，通过结合ETF数据的AR、ARIMA、LSTM和GARCH模型回测，证明合理调整多空头寸规模可降低危机期间的VaR。
2023-09-19 q-fin.CP q-fin.RM
GARCH-Informed Neural Networks for Volatility Prediction in Financial Markets
Lund University（隆德大学）
本研究受PINN启发，提出融合GARCH模型优势与LSTM深度神经网络灵活性的新型混合模型GINN，用于金融市场波动率预测，在多项指标上的样本外预测性能优于其他时间序列模型。
2024-09-30 cs.LG q-fin.CP
On the Risk Management with Application of Econophysics Analysis in Central Banks and Financial Institutions
本文的研究目的是探讨在非线性动态金融系统中，经济物理学分析如何补充计量经济学模型在中央银行和金融机构风险管理中的应用。我们认为现代风险管理模型，并显示适当的技术来计算各种现有的金融风险。由于非线性动态金融系统中的非线性现象，本文对自回归条件异方差模型等波动率统计建模模型可能存在的局限性进行了评述。我们建议，各种类型的非线性，这可能源于金融和经济系统，必须考虑到详细的资本成本计算在金融和经济。本文提出了新的非线性动态波动理论和新的非线性动态混沌（NDC）波动率模型，用于金融波动的统计建模，以确定风险价值。
2012-11-17 q-fin.CP q-fin.GN q-fin.RM
Gated recurrent neural network with TPE Bayesian optimization for enhancing stock index prediction accuracy
Mahishamuri Ramkrishna Vidyapith（马希沙穆里·拉姆克里希纳学院）
本文提出结合TPE贝叶斯超参数优化的门控循环神经网络（TPE-GRNN），融合基本面、技术指标、油价和宏观经济八类特征预测NIFTY 50次日收盘价，实验表明TPE-LSTM的MAPE优于已有模型。
2024-06-02 cs.AI cs.LG cs.NE
Quantifying Semantic Shift in Financial NLP: Robust Metrics for Market Prediction Stability
University of Kent（肯特大学）；University of Cambridge（剑桥大学）；Durham University（杜伦大学）
本研究提出含四项指标的金融NLP鲁棒性评估框架，量化周期转换下的语义漂移影响，验证了其在多模型多经济周期中的有效性，可支撑金融AI的审计与自适应优化。
2025-09-30 q-fin.CP
Exploring Sectoral Profitability in the Indian Stock Market Using Deep Learning
Praxis Business School（普拉西斯商学院）
本文针对印度股市，使用优化的LSTM模型基于NSE 18个行业180只股票的历史价格预测股价并指导买卖，从而评估行业盈利能力与波动性，为投资组合设计提供依据。
2024-05-28 cs.LG q-fin.CP q-fin.PM
Global Neural Networks and The Data Scaling Effect in Financial Time Series Forecasting
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）
本文针对金融时间序列预测中神经网络表现不稳的问题，提出跨10,000余只全球股票汇集信息的全局估计策略，验证了数据规模与异质性对波动率预测精度的提升作用。
2025-02-20 cs.AI econ.EM q-fin.CP
Why Bonds Fail Differently? Explainable Multimodal Learning for Multi-Class Default Prediction
School of Economics and Finance, Shanghai International Studies University（经济金融学院，上海国际问题研究大学）；School of AI and Advanced Computing, Xi’an Jiaotong-Liverpool University（人工智能与先进计算学院，西安交通大学利物浦大学）；School of Foreign Studies, Shanghai University of Finance and Economics（外国语言学院，上海金融学院）
针对债券违约预测中数据不规则与模型缺乏可解释性的问题，提出多模态深度学习框架EMDLOT，融合时间序列与文本数据，在多类违约预测任务上优于基线模型并提供可解释的违约驱动因素。
2025-09-13 cs.CL cs.LG q-fin.CP
