Geometric Deep Learning for Realized Covariance Matrix Forecasting
用于已实现协方差矩阵预测的几何深度学习AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接预测资产收益的已实现协方差矩阵，属于金融波动率及协方差建模。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
用于已实现协方差矩阵预测的几何深度学习
- 研究问题
- 如何在资产收益已实现协方差矩阵预测中利用正定矩阵的黎曼几何结构，并处理高维矩阵和可能存在的非线性动态？
- 方法与思路
- 作者提出考虑黎曼几何的深度学习框架，并基于已实现协方差矩阵的 Fréchet 样本均值，将 HAR 模型扩展至矩阵情形。
- 材料陈述的贡献
- 摘要称在标普五百指数中市值最大的五十家公司日度已实现协方差矩阵上，该方法的预测准确性优于所比较的传统方法。
- 阅读关注点
- 应核对所用几何度量、正定性保证、矩阵 HAR 的构造，以及预测窗口、损失函数、基准调参和样本外比较的公平性。
- 阅读边界
- 所给版本为 arXiv 预印本，不能据此认定已同行评审或获期刊接收；摘要未说明样本时期、比较方法及误差数值，不能推断普遍预测优势。
原文摘要
Traditional methods employed in matrix volatility forecasting often overlook the inherent Riemannian manifold structure of symmetric positive definite matrices, treating them as elements of Euclidean space, which can lead to suboptimal predictive performance. Moreover, they often struggle to handle high-dimensional matrices. In this paper, we propose a novel approach for forecasting realized covariance matrices of asset returns using a Riemannian-geometry-aware deep learning framework. In this way, we account for the geometric properties of the covariance matrices, including possible non-linear dynamics and efficient handling of high-dimensionality. Moreover, building upon a Fréchet sample mean of realized covariance matrices, we are able to extend the HAR model to the matrix-variate. We demonstrate the efficacy of our approach using daily realized covariance matrices for the 50 most capitalized companies in the S&P 500 index, showing that our method outperforms traditional approaches in terms of predictive accuracy.