Volatility Forecasting with Machine Learning and Intraday Commonality¶
书目记录。出版内容请通过原始来源链接查看。
| 字段 | 内容 |
|---|---|
| 主领域 | 波动率、曲面动态与方差风险 |
| 其他领域 | — |
| 方法 | 金融机器学习, 研究方法与稳健性 |
| 检索标签 | — |
| 作者 | Chao Zhang, Yihuang Zhang, Mihai Cucuringu, Zhongmin Qian |
| 发布时间 | 2023-03-20 |
| 来源 | Journal of Financial Econometrics |
| 外部标识 | doi:10.1093/jjfinec/nbad005 |
| URL | 打开原始来源 |
编辑综合¶
为什么值得关注¶
该条目与 item2的技术主张一致，但已进入同行评审源，增强了结果可对照性；仍应警惕“普适机制”与“优于传统基线”在样本外分层中的边界。 (abstract:S1, abstract:S2, abstract:S3, abstract:S5)
作者主要主张¶
- 作者通过共享日内波动共性与市场波动代理进行RV预测。 (
abstract:S1) - 作者报告：他们强调神经网络在复杂变量交互建模下优于线性与树模型，并在未见新标的下保持稳健。 (
abstract:S2,abstract:S3) - 论文进一步指出新方法在1日RV预测与时间段效应上优于仅依赖日度RV的传统基线。 (
abstract:S4,abstract:S5)
数据、方法或讨论范围¶
证据范围为同一摘要的模型与性能结论，不包含具体预测指标、误差分布、参数设置。 (abstract:S1, abstract:S2, abstract:S5)
主要限制¶
论文未显示在不同资产池规模、交易时段划分和非平稳 regime 下的性能损失函数敏感性。 (abstract:S3, abstract:S4, abstract:S5)