Modèles ARCH combinés pour mieux prévoir la volatilité

Résumé

Le document porte sur les prévisions de volatilité qui manquent les pics et les creux en surestimant ou en sous-estimant la volatilité réalisée. Il indique que SVR-GARCH peut produire des prévisions qui s’écartent fortement de la volatilité précédente, un comportement qualifié de rétrospectif. Les auteurs proposent de combiner les modèles ARCH (BARCH) et BARCH augmenté (aBARCH) afin d’améliorer les prévisions, notamment leur représentation des points de retournement dans les séries temporelles financières.

L’approche est illustrée avec des données réelles de SH300 et du S&P 500, et les résultats empiriques présentés suggèrent que les deux modèles combinés améliorent la capacité de prévision de la volatilité. La brève description ne précise ni les équations des modèles, ni les horizons de prévision, ni les mesures d’évaluation, ni l’ampleur et la régularité des améliorations. Elle n’établit pas non plus que la méthode se généralise au-delà des jeux de données cités. Le document présente ces modèles comme des améliorations de prévision ; il ne décrit pas de stratégie de trading ni ne démontre de performance de portefeuille qui en résulterait.

Idées clés

• Les prévisions SVR-GARCH peuvent surestimer ou sous-estimer la volatilité autour des pics et des creux.
• BARCH et BARCH augmenté combinent des composantes fondées sur ARCH pour corriger les erreurs de prévision.
• Les modèles visent à mieux représenter les points de retournement des séries de volatilité.
• Les exemples empiriques décrits utilisent des données de SH300 et du S&P 500.
• Les résultats présentés indiquent une amélioration de la capacité de prévision, sans préciser l’ampleur des effets ni les tests de généralisation.

Étiquettes

# 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.

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.