Globale Aktienvolatilität mit dynamischen Marktgraphen prognostizieren

Zusammenfassung

Diese Arbeit stellt ein Modell zur Prognose der realisierten Volatilität an globalen Aktienmärkten vor. Sie stellt Märkte als dynamisches Netzwerk dar und verwendet einen Volatilitäts-Spillover-Index, um zu beschreiben, wie sich Schocks in einem Markt auf andere auswirken können. Ein räumlich-zeitliches graphisches neuronales Netz nutzt diese Beziehungen zusammen mit zeitlichen Informationen für Prognosen.

Die empirische Studie umfasst acht globale Marktindizes und berichtet, dass das vorgeschlagene Modell die Basismodelle in den untersuchten Prognoseszenarien übertrifft. Das stützt den Nutzen, marktübergreifende Verbindungen und die Abdeckung von Handelstagen in die Prognose einzubeziehen. Die vorliegende Beschreibung nennt weder die Benchmarks noch Prognosekennzahlen und Einzelheiten zum Auswertungszeitraum oder Validierungsdesign. Der berichtete Vorteil gilt daher für die getesteten Indizes und Szenarien; das Abstract allein belegt keine Leistung in anderen Märkten oder im Live-Trading.

Kernaussagen

• Das Modell prognostiziert die realisierte Volatilität von Aktienmärkten weltweit.
• Ein Volatilitäts-Spillover-Index dient dazu, einen dynamischen Graphen der Marktbeziehungen zu erstellen.
• Ein räumlich-zeitliches graphisches neuronales Netz verbindet Marktbeziehungen mit zeitabhängigen Daten.
• Die empirische Analyse umfasst acht globale Marktindizes.
• Laut Bericht übertrifft das Modell die Basismodelle in den getesteten Szenarien; eine breitere Übertragbarkeit ist durch die Zusammenfassung nicht belegt.

Schlagwörter

# Global Stock Market Volatility Forecasting Incorporating Dynamic Graphs and All Trading Days


# Global Stock Market Volatility Forecasting Incorporating Dynamic Graphs and All Trading Days









This paper introduces a global stock market volatility forecasting model that enhances forecasting accuracy and practical utility in real-world financial decision-making by integrating dynamic graph structures and encompassing all active trading days of different stock markets. The model employs a spatial-temporal graph neural network architecture to capture the volatility spillover effect, where shocks in one market spread to others through the interconnective global economy. By calculating the volatility spillover index to depict the volatility network as graphs, the model effectively mirrors the volatility dynamics for the chosen stock market indices. In the empirical analysis covering 8 global market indices, the realized volatility forecasting performance of the proposed model surpasses the baseline models in all forecasting scenarios.

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.