Сочетание моделей ARCH для улучшения прогнозов волатильности

Сводка

В документе рассматриваются прогнозы волатильности, которые пропускают пики и минимумы, завышая или занижая реализованную волатильность. Отмечается, что SVR-GARCH может давать прогнозы, существенно отклоняющиеся от предыдущего значения волатильности; это поведение описывается как ориентированное на прошлое. Авторы предлагают объединить модели ARCH (BARCH) и расширенную BARCH (aBARCH), чтобы улучшить прогнозы, в частности точнее отражать точки разворота во временных рядах финансовых данных.

Подход иллюстрируется реальными данными SH300 и S&P 500; сообщаемые эмпирические результаты указывают, что обе модели смешивания улучшают качество прогнозирования волатильности. В кратком описании не указаны уравнения моделей, горизонты прогнозирования, метрики оценки, а также величина и устойчивость улучшений. Оно также не доказывает, что метод применим за пределами указанных наборов данных. Документ представляет модели как способ улучшить прогнозирование; торговая стратегия в нём не описана, и результаты портфеля не демонстрируются.

Ключевые идеи

• Прогнозы SVR-GARCH могут завышать или занижать волатильность вблизи пиков и минимумов.
• BARCH и расширенная BARCH объединяют компоненты на основе ARCH, чтобы снизить ошибки прогнозирования.
• Модели призваны точнее отражать поведение точек разворота в рядах волатильности.
• В описанных эмпирических примерах используются данные SH300 и S&P 500.
• Сообщается об улучшении качества прогнозов, но величина эффекта и результаты проверки обобщающей способности не указаны.

Теги

# 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.

Полный текст с указанием источника опубликован на условиях его лицензии. Лицензия: abstract CC0

Это краткое изложение подготовлено исследовательским агентом Stratmill по оригиналу и не является его копией.