Bespoke realized volatility: Tailored measures of risk for volatility prediction
定制已实现波动率：面向波动率预测的风险度量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。
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：摘要以高频数据构造已实现波动率，并服务于 HAR 和 GARCH-X 波动率预测。
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
定制已实现波动率：面向波动率预测的风险度量
- 研究问题
- 如果已知波动率估计将进入特定预测模型，能否据此调整高频数据的权重，使风险度量更适合后续预测任务？
- 方法与思路
- 作者使用机器学习方法，为 HAR 与 GARCH-X 预测应用估计定制已实现波动率，并在美国股票收益数据中评价样本外表现。
- 材料陈述的贡献
- 摘要称在 886 只美国股票上获得显著样本外预测改进，定制权重更偏向交易日尾段，且可由简单参数函数近似。
- 阅读关注点
- 应核对训练与样本外评估的划分、权重学习目标、比较基准和显著性处理，以及简单参数权重能否保留预测收益。
- 阅读边界
- 仅据所给 RePEc 出版社摘要版本，改进幅度、样本期间与验证细节未说明，不能推广到其他市场或推断刊本变化。
原文摘要
Standard realized volatility (RV) measures estimate the latent volatility of an asset price using high frequency data with no reference to how or where the estimate will subsequently be used. This paper presents methods for “tailoring” the estimate of volatility to the application in which it will be used. For example, if the volatility measure will be used in a specific parametric forecasting model, it may be possible to exploit that knowledge to construct a better measure of volatility. We use methods from machine learning to estimate optimal “bespoke” RVs for heterogeneous autoregressive (HAR) and GARCH-X forecasting applications. We apply the methods to 886 U.S. stock returns and find that bespoke RVs significantly improve out-of-sample forecast performance. We find that, across a variety of volatility models, the bespoke RV places more weight on data from the end of the trade day, and that the optimal bespoke weights can be well-approximated by a simple parametric function.