Combinar modelos ARCH para mejorar los pronósticos de volatilidad

Resumen

El documento aborda los pronósticos de volatilidad que no captan máximos y mínimos al sobreestimar o subestimar la volatilidad realizada. Señala que SVR-GARCH puede generar pronósticos que se desvían mucho de la volatilidad anterior, un comportamiento descrito como retrospectivo. Los autores proponen combinar modelos ARCH (BARCH) y BARCH aumentados (aBARCH) para mejorar los pronósticos, especialmente su representación de los puntos de giro en las series temporales financieras.

El enfoque se ilustra con datos reales de SH300 y del S&P 500, y los resultados empíricos comunicados sugieren que ambos modelos combinados mejoran la capacidad de pronóstico de la volatilidad. La breve descripción no especifica las ecuaciones de los modelos, los horizontes de pronóstico, las medidas de evaluación ni el tamaño y la consistencia de las mejoras. Tampoco demuestra que el método se generalice más allá de los conjuntos de datos citados. El documento presenta los modelos como mejoras de pronóstico; no informa de una estrategia de trading ni demuestra el rendimiento resultante de una cartera.

Ideas clave

• Los pronósticos de SVR-GARCH pueden sobreestimar o subestimar la volatilidad cerca de máximos y mínimos.
• BARCH y BARCH aumentados combinan componentes basados en ARCH para abordar los errores de pronóstico.
• Los modelos buscan captar mejor los puntos de giro en las series de volatilidad.
• Los ejemplos empíricos descritos usan datos de SH300 y del S&P 500.
• Los resultados comunicados indican una mejora en la capacidad de pronóstico, sin especificar el tamaño del efecto ni las pruebas de generalización.

Etiquetas

# 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.

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.