ترکیب مدل‌های ARCH برای بهبود پیش‌بینی نوسان

خلاصه

این سند به پیش‌بینی‌های نوسان می‌پردازد که با بیش‌برآورد یا کم‌برآورد نوسان تحقق‌یافته، قله‌ها و دره‌ها را از دست می‌دهند. اشاره می‌کند که SVR-GARCH می‌تواند پیش‌بینی‌هایی تولید کند که تفاوت زیادی با نوسان قبلی دارند؛ رفتاری که گذشته‌نگر توصیف شده است. نویسندگان ترکیب مدل‌های ARCH (BARCH) و BARCH تقویت‌شده (aBARCH) را برای بهبود پیش‌بینی‌ها، به‌ویژه در بازنمایی نقاط چرخش در سری‌های زمانی مالی، پیشنهاد می‌کنند.

این رویکرد با داده‌های واقعی از SH300 و S&P 500 نشان داده شده است و نتایج تجربی گزارش‌شده حاکی از آن‌اند که هر دو مدل ترکیبی توان پیش‌بینی نوسان را بهبود می‌دهند. توضیح کوتاه، معادلات مدل، افق‌های پیش‌بینی، معیارهای ارزیابی یا اندازه و پایداری بهبودها را مشخص نمی‌کند. همچنین نشان نمی‌دهد که این روش فراتر از مجموعه‌داده‌های یادشده تعمیم می‌یابد. سند مدل‌ها را به‌عنوان بهبودهایی در پیش‌بینی مطرح می‌کند؛ از یک استراتژی معاملاتی گزارش نمی‌دهد و عملکرد حاصل برای پرتفوی را نشان نمی‌دهد.

ایده‌های کلیدی

• پیش‌بینی‌های SVR-GARCH ممکن است در نزدیکی قله‌ها و دره‌ها، نوسان را بیش‌برآورد یا کم‌برآورد کنند.
• مدل‌های BARCH و BARCH تقویت‌شده، مؤلفه‌های مبتنی بر ARCH را برای رفع خطاهای پیش‌بینی ترکیب می‌کنند.
• هدف مدل‌ها بازنمایی بهتر رفتار نقاط چرخش در سری‌های نوسان است.
• نمونه‌های تجربی توصیف‌شده از داده‌های SH300 و S&P 500 استفاده می‌کنند.
• نتایج گزارش‌شده از بهبود توان پیش‌بینی حکایت دارند، اما اندازه اثر یا آزمون‌های تعمیم‌پذیری را مشخص نمی‌کنند.

برچسب‌ها

# 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.

با ذکر منبع و مطابق مجوز اثر، به‌طور کامل نمایش داده می‌شود. مجوز: abstract CC0

این خلاصه را عامل پژوهشی Stratmill بر پایه متن اصلی نوشته است؛ نسخه‌ای از اثر منبع نیست.