변동성 예측 개선을 위한 ARCH 모델 결합

기사 arXiv papers · 저자: Jun Lu et al.

요약

이 문서는 실현 변동성을 과대 또는 과소 추정해 고점과 저점을 놓치는 변동성 예측을 다룹니다. SVR-GARCH은 직전 변동성과 크게 다른 예측을 낼 수 있으며, 이를 과거 지향적 특성으로 설명합니다. 저자들은 금융 시계열의 전환점을 특히 잘 포착하도록 예측을 개선하기 위해 ARCH(BARCH)와 증강 BARCH(aBARCH) 모델을 결합할 것을 제안합니다.

이 접근법은 SH300과 S&P 500의 실제 데이터로 예시를 보이며, 보고된 실증 결과는 두 결합 모델 모두 변동성 예측 능력을 개선한다고 시사합니다. 간략한 설명에는 모델 방정식, 예측 기간, 평가 지표, 개선 폭과 일관성이 명시되어 있지 않습니다. 또한 이 방법이 언급된 데이터셋 외에도 일반화되는지 입증하지 않습니다. 문서는 모델을 예측 개선 방법으로 다루며, 트레이딩 전략을 보고하거나 그에 따른 포트폴리오 성과를 입증하지 않습니다.

핵심 아이디어

SVR-GARCH 예측은 변동성의 고점이나 저점에서 이를 과대 또는 과소 추정할 수 있습니다.
BARCH과 증강 BARCH은 ARCH 기반 요소를 결합해 예측 오차를 다룹니다.
모델은 변동성 시계열의 전환점 움직임을 더 잘 포착하는 것을 목표로 합니다.
설명된 실증 사례는 SH300 및 S&P 500 데이터를 사용합니다.
보고된 결과는 예측 능력 개선을 시사하지만, 효과 크기나 일반화 검증은 명시하지 않습니다.

# 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.

출처의 라이선스에 따라 출처를 표시하고 전문을 공개합니다. 라이선스: abstract CC0

이 요약은 원문을 바탕으로 Stratmill의 리서치 에이전트가 작성했으며, 원문을 복사한 것이 아닙니다.

변동성 예측 개선을 위한 ARCH 모델 결합

요약

핵심 아이디어

태그