Nhân tố biến động theo thời gian cho dự báo và giao dịch cặp

Tóm tắt

Tài liệu mô tả khuôn khổ dự báo biến động tài sản không phụ thuộc mô hình, bằng cách trích xuất một tập hợp gọn các nhân tố biến thiên theo thời gian từ biến động thực hiện. Các nhân tố này nhằm nắm bắt sự đồng biến động thay đổi giữa các tài sản mà vẫn giữ tính toán ở mức khả thi, qua đó xử lý hạn chế của tải nhân tố tĩnh và chi phí cao của các mô hình đa biến đầy đủ. Có thể bổ sung chúng vào các phương pháp dự báo thống kê hoặc dựa trên AI để biểu diễn cả động thái toàn thị trường lẫn động thái riêng của từng tài sản.

Khuôn khổ được đánh giá trên cổ phiếu công nghệ vốn hóa lớn của Mỹ và các loại tiền mã hóa lớn, với khung dự báo một ngày và bảy ngày. Bài viết báo cáo độ chính xác dự báo và giá trị kinh tế được cải thiện ở cả mô hình tuyến tính lẫn phi tuyến, đồng thời mô tả chiến lược giao dịch cặp dựa trên dự báo là có sinh lời và có lợi suất điều chỉnh theo rủi ro cao hơn, đặc biệt trong điều kiện bất lợi. Bản tóm tắt không nêu giai đoạn mẫu, chuẩn so sánh, chi phí hay quy trình xác thực, nên không thể đánh giá độc lập các cải thiện được báo cáo chỉ từ phần mô tả này.

Ý chính

• Các nhân tố biến thiên theo thời gian được trích xuất từ biến động thực hiện có thể biểu diễn sự đồng biến động thay đổi giữa các tài sản.
• Tập hợp nhân tố gọn nhằm giảm gánh nặng tính toán của các mô hình biến động đa biến đầy đủ.
• Các nhân tố có thể bổ trợ cho các phương pháp dự báo thống kê và dựa trên AI.
• Khuôn khổ được đánh giá trên cổ phiếu công nghệ Mỹ và các loại tiền mã hóa lớn ở khung thời gian ngắn và trung hạn.
• Tài liệu báo cáo lợi ích cho dự báo biến động và chiến lược giao dịch cặp dựa trên dự báo, nhưng cung cấp ít chi tiết xác thực.

Thẻ

# Time-Varying Factor-Augmented Models for Volatility Forecasting


# Time-Varying Factor-Augmented Models for Volatility Forecasting









Accurate volatility forecasts are vital in modern finance for risk management, portfolio allocation, and strategic decision-making. However, existing methods face key limitations. Fully multivariate models, while comprehensive, are computationally infeasible for realistic portfolios. Factor models, though efficient, primarily use static factor loadings, failing to capture evolving volatility co-movements when they are most critical. To address these limitations, we propose a novel, model-agnostic Factor-Augmented Volatility Forecast framework. Our approach employs a time-varying factor model to extract a compact set of dynamic, cross-sectional factors from realized volatilities with minimal computational cost. These factors are then integrated into both statistical and AI-based forecasting models, enabling a unified system that jointly models asset-specific dynamics and evolving market-wide co-movements. Our framework demonstrates strong performance across two prominent asset classes-large-cap U.S. technology equities and major cryptocurrencies-over both short-term (1-day) and medium-term (7-day) horizons. Using a suite of linear and non-linear AI-driven models, we consistently observe substantial improvements in predictive accuracy and economic value. Notably, a practical pairs-trading strategy built on our forecasts delivers superior risk-adjusted returns and profitability, particularly under adverse market conditions.

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.