עבור לתוכן
כל מסמכי הספרייה

שילוב מודלים מסוג ARCH לשיפור תחזיות תנודתיות

מאמר arXiv papers · מחבר: Jun Lu et al.
לקריאת המקור

סיכום

המסמך עוסק בתחזיות תנודתיות שמחמיצות שיאים ושפלים באמצעות הערכת יתר או חסר של התנודתיות הממומשת. הוא מציין כי SVR-GARCH עשוי להפיק תחזיות השונות במידה רבה מהתנודתיות הקודמת, התנהגות המתוארת כמביטה לאחור. המחברים מציעים לשלב מודלים מסוג ARCH (BARCH) ו-BARCH מורחב (aBARCH) כדי לשפר תחזיות, ובפרט את ייצוג נקודות המפנה בסדרות זמן פיננסיות.

הגישה מודגמת בנתונים אמיתיים מ-SH300 ומ-S&P 500, והתוצאות האמפיריות המדווחות מצביעות על כך ששני מודלי השילוב משפרים את יכולת חיזוי התנודתיות. התיאור הקצר אינו מפרט את משוואות המודל, אופקי התחזית, מדדי ההערכה או את גודל השיפורים ועקביותם. הוא גם אינו מבסס שהשיטה מכלילה מעבר למערכי הנתונים המוזכרים. המסמך מציג את המודלים כשיפור בחיזוי; הוא אינו מדווח על אסטרטגיית מסחר או מדגים ביצועי תיק שנבעו מכך.

רעיונות מרכזיים

  • תחזיות SVR-GARCH עלולות להעריך ביתר או בחסר תנודתיות סביב שיאים ושפלים.
  • BARCH ו-BARCH מורחב משלבים רכיבים המבוססים על ARCH כדי להתמודד עם שגיאות תחזית.
  • המודלים נועדו ללכוד טוב יותר התנהגות של נקודות מפנה בסדרות תנודתיות.
  • הדוגמאות האמפיריות המתוארות משתמשות בנתוני SH300 ו-S&P 500.
  • התוצאות המדווחות מצביעות על שיפור ביכולת החיזוי, בלי לפרט את גודל ההשפעה או בדיקות הכללה.

תגיות

תנודתיותסטטיסטיקהמניותשווקי סיןשווקי ארצות הברית
הטקסט המלא
# 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.

מוצג במלואו בציון המקור ובהתאם לרישיון שלו. רישיון: abstract CC0

הסיכום נכתב בידי סוכן המחקר של Stratmill על סמך המקור; הוא אינו העתק של המקור.