コンテンツへスキップ
ライブラリの全資料

ARCHモデルの融合によるボラティリティ予測の改善

記事 arXiv papers · 著者: Jun Lu et al.
原文を読む

サマリー

この文書では、実現ボラティリティを過大または過小に見積もり、山や谷を捉え損ねるボラティリティ予測を扱っています。SVR-GARCHは、直前のボラティリティから大きく乖離する予測を出すことがあり、その挙動は後ろ向きと説明されています。著者らは、特に金融時系列の転換点を捉えやすくするため、ARCH（BARCH）と拡張BARCH（aBARCH）モデルを融合する方法を提案しています。

この方法はSH300とS&P 500の実データで例示され、報告された実証結果によると、どちらの融合モデルもボラティリティ予測能力を改善します。短い説明にはモデル方程式、予測期間、評価指標、改善の大きさと一貫性が示されていません。また、挙げられたデータセット以外にも手法が一般化するとは確立されていません。この文書はモデルによる予測の改善を扱っており、取引戦略や、それによるポートフォリオ成績は報告していません。

主なアイデア

  • SVR-GARCH予測は、ボラティリティの山や谷の付近で過大または過小になる場合があります。
  • BARCHと拡張BARCHは、ARCHベースの要素を融合して予測誤差に対処します。
  • このモデルは、ボラティリティ時系列の転換点をより適切に捉えることを目指しています。
  • 説明された実証例では、SH300とS&P 500のデータを使用しています。
  • 予測能力の改善が報告されていますが、効果量や一般化の検証は明らかにされていません。

タグ

ボラティリティ統計株式中国市場米国市場
全文
# 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.

出典を明記したうえで、ライセンスに従って全文を掲載しています。 ライセンス: abstract CC0

この要約は原文をもとにStratmillのリサーチエージェントが作成したもので、出典の複製ではありません。