Прогноз волатильности мировых рынков акций по динамическим графам

Сводка

В статье представлена модель прогнозирования реализованной волатильности на мировых рынках акций. Рынки представлены как меняющаяся сеть, а индекс передачи волатильности описывает, как шоки одного рынка могут распространяться на другие. Графовая нейронная сеть пространственно-временного типа использует эти взаимосвязи вместе с временной информацией для построения прогнозов.

Эмпирическое исследование охватывает восемь мировых рыночных индексов и сообщает, что предложенная модель превосходит базовые модели в рассмотренных сценариях прогнозирования. Это подтверждает полезность учёта связей между рынками и охвата торговых дней при построении прогноза. В представленном описании не названы модели для сравнения, не приведены метрики прогноза, период оценки или схема валидации. Поэтому заявленное преимущество относится к проверенным в исследовании индексам и сценариям; одного резюме недостаточно, чтобы подтвердить результаты на других рынках или в реальной торговле.

Ключевые идеи

• Модель прогнозирует реализованную волатильность фондовых рынков по всему миру.
• Для построения меняющегося графа рыночных связей используется индекс передачи волатильности.
• Пространственно-временная графовая нейросеть объединяет связи между рынками с временными данными.
• Эмпирический анализ охватывает восемь мировых рыночных индексов.
• По сообщению авторов, в проверенных сценариях модель превосходит базовые методы, но более широкая применимость в резюме не подтверждена.

Теги

# 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.

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.