跳至正文
返回文库全部文档

利用动态市场图预测全球股票波动率

文章 arXiv papers · 作者: Zhengyang Chi et al.
阅读原文

总结

本文提出一种模型，用于预测全球股票市场的已实现波动率。模型将市场表示为不断变化的网络，并利用波动率溢出指数描述一个市场的冲击如何传导至其他市场。随后，时空图神经网络结合这些关系与时间信息生成预测。

实证研究涵盖八个全球市场指数，报告称该模型在所考察的预测情景中优于基准模型。这表明，在预测框架中纳入跨市场联系和交易日覆盖范围可能有所帮助。所提供的说明未列出基准模型名称、预测指标，也未详述评估期间和验证设计。因此，报告的优势仅适用于研究测试的指数和情景；仅凭摘要无法证明其在其他市场或实盘交易中的表现。

核心观点

  • 该模型预测全球股票市场的已实现波动率。
  • 模型使用波动率溢出指数构建不断变化的市场关系图。
  • 时空图神经网络结合市场联系与随时间变化的数据。
  • 实证分析涵盖八个全球市场指数。
  • 据报告，该模型在测试情景中优于基准模型，但摘要并未证实其可广泛推广。

标签

股票波动率机器学习统计学
全文
# 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.

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。