HARNet: A Convolutional Neural Network for Realized Volatility Forecasting¶
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 |
| 检索标签 | — |
| 作者 | Rafael Reisenhofer, Xandro Bayer, Nikolaus Hautsch |
| 发布时间 | 2022-05-16 |
| 来源 | arXiv Quantitative Finance History |
| 外部标识 | arxiv:2205.07719 |
| URL | 打开原始来源 |
编辑综合¶
为什么值得关注¶
该工作提出将 HAR 与深度卷积网络统一化，具有工程价值；但“显著提升”与“可实质改进”若直接用于产品化，需警惕样本依赖与超参数敏感性。 (abstract:S1, abstract:S2, abstract:S3, abstract:S5, abstract:S7)
作者主要主张¶
- 作者声称提出 HARNet 结构，利用扩张卷积实现快速增长的感受野，并保持与 HAR 的初始化可对齐。 (
abstract:S3,abstract:S4) - 作者报告：在 QLIKE 损失下，HARNets 在稳定化优化和预测方面表现更好，并在至少三个指数上优于基准 HAR。 (
abstract:S5,abstract:S6,abstract:S7) - 作者报告：定性分析显示“昨天波动率”对当日预测权重最大，月内周际权重呈近线性递减。 (
abstract:S8,abstract:S9,abstract:S10)
数据、方法或讨论范围¶
证据仅为摘要和三指数评估声明，未给出资产代码、样本频率、损失分解或超参数搜索范围。 (abstract:S6, abstract:S7, abstract:S8)
主要限制¶
缺少训练验证切分、计算成本、过拟合控制与真实交易成本联动；对“显著/实质性改善”缺乏可核算阈值。 (abstract:S4, abstract:S5, abstract:S7, abstract:S6)
研究关系¶
- 暂无已记录关系。