Previsión de volatilidad bursátil con redes de mercados dinámicas

Resumen

Este artículo presenta un modelo para prever la volatilidad realizada en los mercados bursátiles globales. Representa los mercados como una red cambiante y utiliza un índice de contagio de volatilidad para describir cómo los shocks de un mercado pueden propagarse a otros. Después, una red neuronal de grafos espaciotemporal combina estas relaciones con información temporal para generar previsiones.

El estudio empírico abarca ocho índices de mercados globales e informa que el modelo propuesto supera a los modelos de referencia en los escenarios de previsión examinados. Esto respalda la utilidad de incorporar conexiones entre mercados y la cobertura de los días de negociación al diseño de las previsiones. La descripción proporcionada no identifica los modelos de referencia, no ofrece métricas de previsión ni detalla el periodo de evaluación o el diseño de validación. Por tanto, la ventaja informada se limita a los índices y escenarios probados en el estudio; el resumen por sí solo no demuestra el rendimiento en otros mercados ni en trading en vivo.

Ideas clave

• El modelo prevé la volatilidad realizada de los mercados bursátiles de todo el mundo.
• Se utiliza un índice de contagio de volatilidad para construir un grafo cambiante de las relaciones entre mercados.
• Una red neuronal de grafos espaciotemporal combina las conexiones entre mercados con datos dependientes del tiempo.
• El análisis empírico incluye ocho índices de mercados globales.
• Se informa que el modelo supera a los modelos de referencia en los escenarios probados, pero el resumen no demuestra que pueda generalizarse más ampliamente.

Etiquetas

# 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.

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.