ARCH-Modelle kombinieren, um Volatilitätsprognosen zu verbessern

Zusammenfassung

Das Dokument behandelt Volatilitätsprognosen, die Wendepunkte verfehlen, indem sie die realisierte Volatilität über- oder unterschätzen. Es weist darauf hin, dass SVR-GARCH Prognosen hervorbringen kann, die stark von der vorherigen Volatilität abweichen – ein Verhalten, das als rückwärtsgerichtet beschrieben wird. Die Autoren schlagen vor, ARCH (BARCH) und erweiterte BARCH-Modelle (aBARCH) zu kombinieren, um Prognosen zu verbessern, insbesondere bei der Darstellung von Wendepunkten in Finanzzeitreihen.

Der Ansatz wird anhand realer Daten von SH300 und dem S&P 500 veranschaulicht. Die berichteten empirischen Ergebnisse legen nahe, dass beide Kombinationsmodelle die Fähigkeit zur Volatilitätsprognose verbessern. Die Kurzbeschreibung nennt weder Modellgleichungen noch Prognosehorizonte, Bewertungsmaße oder Umfang und Beständigkeit der Verbesserungen. Ebenso belegt sie nicht, dass sich die Methode über die genannten Datensätze hinaus verallgemeinern lässt. Das Dokument stellt die Modelle als Verbesserungen für Prognosen dar; es berichtet weder eine Handelsstrategie noch eine daraus resultierende Portfolioperformance.

Kernaussagen

• SVR-GARCH-Prognosen können die Volatilität um Wendepunkte herum über- oder unterschätzen.
• BARCH und erweiterte BARCH kombinieren ARCH-basierte Komponenten, um Prognosefehler zu verringern.
• Die Modelle sollen Wendepunkte in Volatilitätsreihen besser erfassen.
• Die beschriebenen empirischen Beispiele nutzen Daten von SH300 und dem S&P 500.
• Die berichteten Ergebnisse weisen auf verbesserte Prognosefähigkeit hin, ohne Effektgrößen oder Tests zur Verallgemeinerbarkeit anzugeben.

Schlagwörter

# 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.

Vollständig mit Quellenangabe unter der Lizenz der Quelle angezeigt. Lizenz: abstract CC0

Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.