Prévoir la volatilité des marchés boursiers mondiaux avec des graphes de marché dynamiques

Résumé

Cet article présente un modèle de prévision de la volatilité réalisée sur les marchés boursiers mondiaux. Il représente les marchés comme un réseau évolutif et utilise un indice de propagation de la volatilité pour décrire comment les chocs sur un marché peuvent se transmettre aux autres. Un réseau neuronal à graphes spatio-temporels exploite ensuite ces relations et les informations temporelles pour établir des prévisions.

L’étude empirique couvre huit indices boursiers mondiaux et indique que le modèle proposé surpasse les modèles de référence dans les scénarios de prévision examinés. Cela étaye l’intérêt d’intégrer les liens entre marchés et la couverture des jours de négociation dans le cadre de prévision. La description fournie ne nomme pas les références, ne donne pas de mesures de prévision et ne précise ni la période d’évaluation ni le protocole de validation. L’avantage rapporté concerne donc les indices et scénarios testés dans l’étude ; le résumé seul ne démontre pas des performances sur d’autres marchés ou en trading réel.

Idées clés

• Le modèle prévoit la volatilité réalisée sur les marchés boursiers du monde entier.
• Un indice de propagation de la volatilité sert à construire un graphe évolutif des relations entre marchés.
• Un réseau neuronal à graphes spatio-temporels combine les liens entre marchés et les données temporelles.
• L’analyse empirique comprend huit indices boursiers mondiaux.
• Le modèle aurait surpassé les références dans les scénarios testés, mais la synthèse n’établit pas une généralisation plus large.

Étiquettes

# 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.

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.