From GARCH to Neural Network for Volatility Forecast¶
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 | Pengfei Zhao, Haoren Zhu, Wilfred Siu Hung NG, Dik Lun Lee |
| 发布时间 | 2024-01-29 |
| 来源 | arXiv Quantitative Finance History |
| 外部标识 | arxiv:2402.06642 |
| URL | 打开原始来源 |
编辑综合¶
为什么值得关注¶
该工作试图在 GARCH 与神经网络之间建立对应关系并嵌入同一架构，潜在意义在于同时保留随机模型可解释性与网络建模能力，但当前结果属于抽象化验证。 (abstract:S1, abstract:S2, abstract:S3, abstract:S4, abstract:S5, abstract:S6, abstract:S7, abstract:S8)
作者主要主张¶
- 作者指出经济计量与机器学习在波动率预测上长期平行发展，且提出建立 GARCH 与 NN 的对应关系。 (
abstract:S2,abstract:S3,abstract:S4) - 作者报告：他们引入 GARCH-NN 结构并将 GARCH 对应网络成分嵌入既有 NN 架构以注入 stylized facts。 (
abstract:S5,abstract:S6) - 作者称 GARCH-NN 在“融入 GARCH 成分”后在结果上优于仅用单独随机模型或单独 NN。 (
abstract:S7,abstract:S8)
数据、方法或讨论范围¶
证据范围是方法层面的目标与整合式实验结果陈述，没有说明数据频率、评估指标、回测结构或统计显著性框架。 (abstract:S4, abstract:S5, abstract:S6, abstract:S7, abstract:S8)
主要限制¶
摘要未提供所称“增强结果”的精确定义，也未展示在哪些场景下优于基线，难以直接用于方法选择。 (abstract:S6, abstract:S8)
研究关系¶
- 暂无已记录关系。