Previsão da volatilidade global com grafos de mercado dinâmicos

Resumo

Este artigo apresenta um modelo para prever a volatilidade realizada nos mercados acionários globais. Representa os mercados como uma rede dinâmica, usando um índice de transbordamento de volatilidade para descrever como choques em um mercado podem se propagar para outros. Em seguida, uma rede neural de grafos espaço-temporal usa essas relações junto com informações temporais para gerar previsões.

O estudo empírico abrange oito índices de mercado globais e relata que o modelo proposto supera modelos de referência nos cenários de previsão examinados. Isso apoia a utilidade de incorporar conexões entre mercados e cobertura dos dias de negociação à configuração de previsão. A descrição fornecida não nomeia as referências, não apresenta métricas de previsão nem detalha o período de avaliação e o desenho de validação. Portanto, a vantagem relatada se aplica aos índices e cenários testados no estudo; o resumo, por si só, não estabelece desempenho em outros mercados ou no live trading.

Ideias principais

• O modelo prevê a volatilidade realizada em mercados acionários de todo o mundo.
• Um índice de contágio da volatilidade é usado para construir um grafo dinâmico das relações entre mercados.
• Uma rede neural de grafos espaço-temporal combina conexões entre mercados com dados que variam no tempo.
• A análise empírica inclui oito índices de mercado globais.
• O modelo teria superado as referências nos cenários testados, mas o resumo não estabelece uma generalização mais ampla.

Tags

# Global Stock Market Volatility Forecasting Incorporating Dynamic Graphs and All Trading Days


# Global Stock Market Volatility Forecasting Incorporating Dynamic Graphs and All Trading Days









This paper introduces a global stock market volatility forecasting model that enhances forecasting accuracy and practical utility in real-world financial decision-making by integrating dynamic graph structures and encompassing all active trading days of different stock markets. The model employs a spatial-temporal graph neural network architecture to capture the volatility spillover effect, where shocks in one market spread to others through the interconnective global economy. By calculating the volatility spillover index to depict the volatility network as graphs, the model effectively mirrors the volatility dynamics for the chosen stock market indices. In the empirical analysis covering 8 global market indices, the realized volatility forecasting performance of the proposed model surpasses the baseline models in all forecasting scenarios.

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.