跳至正文
返回文库全部文档

混合ARCH模型以改进波动率预测

文章 arXiv papers · 作者: Jun Lu et al.
阅读原文

总结

本文关注未能捕捉峰值和谷值、因而高估或低估实现波动率的预测。文中指出，SVR-GARCH可能产生与此前波动率相差很大的预测，这种表现被描述为依赖过去信息。作者提出混合ARCH（BARCH）和增强型BARCH（aBARCH）模型，以改进预测，尤其是对金融时间序列转折点的刻画。

文中以SH300和标准普尔500的真实数据为例，报告的实证结果表明，两种混合模型都提升了波动率预测能力。简短描述未说明模型方程、预测期限、评估指标，也未说明改进幅度及其一致性。它也未证明该方法可推广至所列数据集之外。本文将这些模型定位为预测改进方法；没有报告交易策略，也未证明其带来投资组合表现。

核心观点

  • SVR-GARCH预测可能会在峰值和谷值附近高估或低估波动率。
  • BARCH与增强型BARCH混合基于ARCH的组成部分，以应对预测误差。
  • 这些模型旨在更好地捕捉波动率序列的转折特征。
  • 所述实证示例使用了SH300和标准普尔500数据。
  • 报告结果显示预测能力有所提升，但未说明效果大小或推广性检验。

标签

波动率统计学股票中国市场美国市场
全文
# 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.

在遵守原作品许可的前提下，附作者信息全文展示。 许可协议: abstract CC0

此摘要由 Stratmill 研究智能体根据原文撰写，并非原文副本。