Do high-frequency measures of volatility improve forecasts of return distributions?
高频波动率指标能否改善收益分布预测？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：摘要直接研究收益分布预测、已实现波动率及其包含的日内高频信息。
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
高频波动率指标能否改善收益分布预测？
- 研究问题
- 日内信息形成的已实现波动率能否改善未来收益分布预测？研究比较一至六十天预测期限下不同模型设定的作用。
- 方法与思路
- 作者提出收益与已实现波动率的双变量模型，考察对数波动率动态、信息可用时点及两类创新分布对样本外密度预测的影响。
- 材料陈述的贡献
- 摘要称，对数波动率含两个成分的联合模型较好拟合标普五百与 IBM 数据，并显著改善相对日收益 EGARCH 模型的预测表现。
- 阅读关注点
- 应核对双成分动态的具体设定、预测时的信息集、密度预测评价指标，以及不同预测期限下比较结果的统计检验。
- 阅读边界
- 仅据所给 RePEc 出版社摘要，无法判断改善幅度及其跨资产稳定性；摘要未说明样本时期，也不能推断其他版本的变化。
原文摘要
Many finance questions require the predictive distribution of returns. We propose a bivariate model of returns and realized volatility (RV), and explore which features of that time-series model contribute to superior density forecasts over horizons of 1 to 60 days out of sample. This term structure of density forecasts is used to investigate the importance of: the intraday information embodied in the daily RV estimates; the functional form for log(RV) dynamics; the timing of information availability; and the assumed distributions of both return and log(RV) innovations. We find that a joint model of returns and volatility that features two components for log(RV) provides a good fit to S&P 500 and IBM data, and is a significant improvement over an EGARCH model estimated from daily returns.