सामग्री पर जाएं
लाइब्रेरी के सभी दस्तावेज़

अस्थिरता पूर्वानुमान सुधारने के लिए ARCH मॉडल मिश्रण

लेख arXiv papers · लेखक: Jun Lu et al.
मूल स्रोत पढ़ें

सारांश

दस्तावेज़ उन अस्थिरता पूर्वानुमानों पर चर्चा करता है जो वास्तविक अस्थिरता का अधिक या कम अनुमान लगाकर शिखरों और निचले बिंदुओं को चूक जाते हैं। इसमें कहा गया है कि SVR-GARCH ऐसे पूर्वानुमान दे सकता है जो पिछली अस्थिरता से काफ़ी अलग हों; इस व्यवहार को पीछे देखने वाला बताया गया है। लेखक पूर्वानुमान सुधारने के लिए ARCH (BARCH) और संवर्धित BARCH (aBARCH) मॉडल को मिलाने का प्रस्ताव देते हैं, विशेषकर वित्तीय समय-श्रृंखलाओं के मोड़-बिंदुओं को बेहतर दर्शाने के लिए।

इस पद्धति को SH300 और S&P 500 के वास्तविक डेटा से दिखाया गया है। बताए गए अनुभवजन्य नतीजे संकेत देते हैं कि दोनों मिश्रित मॉडल अस्थिरता पूर्वानुमान क्षमता सुधारते हैं। संक्षिप्त विवरण में मॉडल समीकरण, पूर्वानुमान क्षितिज, मूल्यांकन माप या सुधारों का आकार और निरंतरता नहीं बताई गई है। यह भी सिद्ध नहीं है कि पद्धति उल्लिखित डेटासेट से आगे सामान्यीकृत होती है। दस्तावेज़ इन मॉडलों को पूर्वानुमान सुधार के रूप में प्रस्तुत करता है; इसमें ट्रेडिंग रणनीति की सूचना या उससे पोर्टफ़ोलियो प्रदर्शन सिद्ध नहीं किया गया है।

मुख्य विचार

  • SVR-GARCH के पूर्वानुमान अस्थिरता के शिखरों और निचले बिंदुओं के आसपास अधिक या कम अनुमान लगा सकते हैं।
  • BARCH और संवर्धित BARCH, पूर्वानुमान त्रुटियों से निपटने के लिए ARCH-आधारित घटकों को मिलाते हैं।
  • मॉडलों का उद्देश्य अस्थिरता श्रृंखलाओं में मोड़-बिंदुओं के व्यवहार को बेहतर पकड़ना है।
  • वर्णित अनुभवजन्य उदाहरण SH300 और S&P 500 के डेटा का उपयोग करते हैं।
  • बताए गए नतीजे पूर्वानुमान क्षमता में सुधार दिखाते हैं, लेकिन प्रभाव के आकार या सामान्यीकरण परीक्षणों का विवरण नहीं देते।

टैग

अस्थिरतासांख्यिकीइक्विटीचीन के बाज़ारअमेरिकी बाज़ार
पूरा पाठ
# 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.

स्रोत के लाइसेंस के तहत श्रेय सहित पूरा पाठ दिखाया गया है। लाइसेंस: abstract CC0

यह सारांश मूल स्रोत के आधार पर Stratmill के शोध एजेंट ने लिखा है; यह स्रोत की प्रति नहीं है।