دمج نماذج ARCH لتحسين توقعات التقلب

الملخص

يتناول المستند توقعات التقلب التي تخطئ في القمم والقيعان عبر المبالغة في تقدير التقلب المحقق أو التقليل منه. ويشير إلى أن SVR-GARCH قد ينتج توقعات تنحرف كثيرًا عن التقلب السابق، وهو سلوك يوصف بأنه يعتمد على الماضي. ويقترح المؤلفون دمج نماذج ARCH (BARCH) وBARCH المعززة (aBARCH) لتحسين التوقعات، ولا سيما تمثيل نقاط التحول في السلاسل الزمنية المالية.

يوضح النهج باستخدام بيانات فعلية من SH300 ومؤشر S&P 500، وتشير النتائج التجريبية المذكورة إلى أن نموذجي الدمج كليهما يحسنان القدرة على توقع التقلب. ولا يحدد الوصف الموجز معادلات النماذج أو آفاق التوقع أو مقاييس التقييم أو حجم التحسن واتساقه. كما لا يثبت تعميم الطريقة خارج مجموعات البيانات المذكورة. ويعرض المستند النماذج بوصفها تحسينات للتوقع، ولا يذكر استراتيجية تداول أو يبرهن على أداء المحفظة الناتج.

الأفكار الرئيسية

• قد تبالغ توقعات SVR-GARCH في تقدير التقلب أو تقلل منه قرب القمم والقيعان.
• يدمج BARCH وBARCH المعزز مكونات قائمة على ARCH لمعالجة أخطاء التوقع.
• تهدف النماذج إلى تمثيل سلوك نقاط التحول في سلاسل التقلب على نحو أفضل.
• تستخدم الأمثلة التجريبية المذكورة بيانات SH300 ومؤشر S&P 500.
• تشير النتائج المذكورة إلى تحسن القدرة على التوقع، دون تحديد حجم الأثر أو اختبارات التعميم.

الوسوم

# Reducing overestimating and underestimating volatility via the augmented blending-ARCH model


# Reducing overestimating and underestimating volatility via the augmented blending-ARCH model









SVR-GARCH model tends to "backward eavesdrop" when forecasting the financial time series volatility in which case it tends to simply produce the prediction by deviating the previous volatility. Though the SVR-GARCH model has achieved good performance in terms of various performance measurements, trading opportunities, peak or trough behaviors in the time series are all hampered by underestimating or overestimating the volatility. We propose a blending ARCH (BARCH) and an augmented BARCH (aBARCH) model to overcome this kind of problem and make the prediction towards better peak or trough behaviors. The method is illustrated using real data sets including SH300 and S&P500. The empirical results obtained suggest that the augmented and blending models improve the volatility forecasting ability.

يُعرض النص كاملًا مع نسبه إلى مصدره وفقًا لترخيصه. الترخيص: abstract CC0

أعدّ وكيل الأبحاث في Stratmill هذا الملخص استنادًا إلى المصدر الأصلي؛ وهو ليس نسخة منه.