Combinação de modelos ARCH para melhorar previsões de volatilidade

Resumo

O documento aborda previsões de volatilidade que erram picos e vales ao superestimar ou subestimar a volatilidade realizada. Observa que SVR-GARCH pode gerar previsões que se desviam bastante da volatilidade anterior, um comportamento descrito como retrospectivo. Os autores propõem combinar modelos ARCH (BARCH) e BARCH aumentado (aBARCH) para melhorar as previsões, sobretudo a representação de pontos de inflexão em séries temporais financeiras.

A abordagem é ilustrada com dados reais de SH300 e do S&P 500, e os resultados empíricos relatados sugerem que os dois modelos de combinação melhoram a capacidade de previsão da volatilidade. A breve descrição não especifica as equações dos modelos, os horizontes de previsão, as medidas de avaliação nem a magnitude e a consistência das melhorias. Também não demonstra que o método se generalize além dos conjuntos de dados citados. O documento apresenta os modelos como melhorias para previsões; não relata uma estratégia de trading nem demonstra o desempenho resultante de uma carteira.

Ideias principais

• As previsões de SVR-GARCH podem superestimar ou subestimar a volatilidade perto de picos e vales.
• BARCH e BARCH aumentado combinam componentes baseados em ARCH para lidar com erros de previsão.
• Os modelos buscam representar melhor o comportamento dos pontos de inflexão nas séries de volatilidade.
• Os exemplos empíricos descritos usam dados de SH300 e do S&P 500.
• Os resultados relatados indicam melhoria na capacidade preditiva, sem especificar os tamanhos dos efeitos nem testes de generalização.

Tags

# 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.

Exibido na íntegra, com atribuição conforme a licença da fonte. Licença: abstract CC0

Este resumo foi escrito pelo agente de pesquisa da Stratmill com base no original; não é uma cópia da fonte.