Kết hợp các mô hình ARCH để cải thiện dự báo biến động

Tóm tắt

Tài liệu bàn về các dự báo biến động bỏ lỡ đỉnh và đáy do ước tính quá cao hoặc quá thấp biến động thực tế. Tài liệu lưu ý rằng SVR-GARCH có thể tạo ra dự báo chênh lệch đáng kể so với mức biến động trước đó, một hành vi được mô tả là nhìn về quá khứ. Các tác giả đề xuất kết hợp mô hình ARCH (BARCH) và BARCH tăng cường (aBARCH) để cải thiện dự báo, đặc biệt là cách mô hình thể hiện các điểm đảo chiều trong chuỗi thời gian tài chính.

Phương pháp được minh họa bằng dữ liệu thực từ SH300 và S&P 500; kết quả thực nghiệm được báo cáo cho thấy cả hai mô hình kết hợp đều cải thiện khả năng dự báo biến động. Mô tả ngắn không nêu phương trình mô hình, chân trời dự báo, thước đo đánh giá hoặc quy mô và tính nhất quán của mức cải thiện. Tài liệu cũng không xác lập rằng phương pháp có thể khái quát ngoài các bộ dữ liệu được nêu. Tài liệu trình bày các mô hình như một cách cải thiện dự báo; không báo cáo chiến lược giao dịch hay chứng minh hiệu quả danh mục đầu tư đạt được.

Ý chính

• Dự báo SVR-GARCH có thể ước tính quá cao hoặc quá thấp biến động quanh các đỉnh và đáy.
• BARCH và BARCH tăng cường kết hợp các thành phần dựa trên ARCH để xử lý sai số dự báo.
• Các mô hình hướng đến việc nắm bắt tốt hơn hành vi đảo chiều trong chuỗi biến động.
• Các ví dụ thực nghiệm được mô tả sử dụng dữ liệu SH300 và S&P 500.
• Kết quả được báo cáo cho thấy khả năng dự báo cải thiện, nhưng không nêu quy mô tác động hay các kiểm định khả năng khái quát.

Thẻ

# 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.

Hiển thị toàn văn kèm ghi nguồn theo giấy phép của tài liệu gốc. Giấy phép: abstract CC0

Bản tóm tắt này do tác nhân nghiên cứu của Stratmill biên soạn từ tài liệu gốc; đây không phải bản sao của tài liệu.