عوامل متغیر با زمان نوسان برای پیش‌بینی و معامله جفتی
خلاصه
این سند چارچوبی مستقل از مدل برای پیش‌بینی نوسان دارایی شرح می‌دهد که با استخراج مجموعه‌ای فشرده از عوامل متغیر با زمان از نوسان‌های تحقق‌یافته کار می‌کند. هدف عوامل، ثبت تغییرات هم‌حرکتی میان دارایی‌ها با حفظ محاسبات در حد قابل‌مدیریت است؛ این کار به محدودیت بارهای عاملی ثابت و هزینه بالای مدل‌های کاملاً چندمتغیره می‌پردازد. می‌توان این عوامل را به روش‌های پیش‌بینی آماری یا مبتنی بر AI افزود تا پویایی‌های کل بازار و مختص هر دارایی را بازنمایی کنند.
چارچوب روی سهام فناوری شرکت‌های بزرگ آمریکا و رمزارزهای اصلی، در افق‌های یک‌روزه و هفت‌روزه ارزیابی شده است. مقاله بهبود دقت پیش‌بینی و ارزش اقتصادی را در مدل‌های خطی و غیرخطی گزارش می‌کند و استراتژی معامله جفتی مبتنی بر پیش‌بینی‌ها را سودآور و دارای بازده تعدیل‌شده به ریسک بالاتر توصیف می‌کند، به‌ویژه در شرایط نامساعد. خلاصه دوره‌های نمونه، معیارها، هزینه‌ها یا رویه‌های اعتبارسنجی را مشخص نمی‌کند؛ بنابراین نمی‌توان بهبودهای گزارش‌شده را مستقل از این توصیف ارزیابی کرد.
ایده‌های کلیدی
- عوامل متغیر با زمان که از نوسان تحقق‌یافته استخراج می‌شوند، تغییر هم‌حرکتی میان دارایی‌ها را بازنمایی می‌کنند.
- مجموعه عوامل فشرده می‌کوشد بار محاسباتی مدل‌های نوسان کاملاً چندمتغیره را کاهش دهد.
- این عوامل می‌توانند روش‌های پیش‌بینی آماری و مبتنی بر AI را تقویت کنند.
- چارچوب روی سهام فناوری آمریکا و رمزارزهای اصلی در افق‌های کوتاه و میان‌مدت ارزیابی شده است.
- سند مزایایی برای پیش‌بینی نوسان و استراتژی معامله جفتی مبتنی بر پیش‌بینی گزارش می‌کند، اما جزئیات اعتبارسنجی اندک است.
برچسب‌ها
متن کامل
# Time-Varying Factor-Augmented Models for Volatility Forecasting # Time-Varying Factor-Augmented Models for Volatility Forecasting Accurate volatility forecasts are vital in modern finance for risk management, portfolio allocation, and strategic decision-making. However, existing methods face key limitations. Fully multivariate models, while comprehensive, are computationally infeasible for realistic portfolios. Factor models, though efficient, primarily use static factor loadings, failing to capture evolving volatility co-movements when they are most critical. To address these limitations, we propose a novel, model-agnostic Factor-Augmented Volatility Forecast framework. Our approach employs a time-varying factor model to extract a compact set of dynamic, cross-sectional factors from realized volatilities with minimal computational cost. These factors are then integrated into both statistical and AI-based forecasting models, enabling a unified system that jointly models asset-specific dynamics and evolving market-wide co-movements. Our framework demonstrates strong performance across two prominent asset classes-large-cap U.S. technology equities and major cryptocurrencies-over both short-term (1-day) and medium-term (7-day) horizons. Using a suite of linear and non-linear AI-driven models, we consistently observe substantial improvements in predictive accuracy and economic value. Notably, a practical pairs-trading strategy built on our forecasts delivers superior risk-adjusted returns and profitability, particularly under adverse market conditions.
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.