High-Dimensional Multivariate Realized Volatility Forecasting with Community Network Structure
具有社群网络结构的高维多变量已实现波动率预测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：摘要直接预测多资产已实现波动率，并在模型中使用 quarticity 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…
具有社群网络结构的高维多变量已实现波动率预测
- 研究问题
- 面对大量资产的已实现波动率，如何利用相关网络中的潜在社群降低模型维度，并改善多变量波动率的样本外预测？
- 方法与思路
- 作者提出含四次幂变差信息的社群网络异质自回归模型，并用基于相关性的随机区块模型提取波动率网络的潜在社群。
- 材料陈述的贡献
- 摘要称，参数数量由资产数的平方量级降至资产数与社群数乘积量级；实证中网络社群的预测表现优于传统行业分类。
- 阅读关注点
- 核对社群数量选择、相关网络与动态社群的估计方式，重点检查样本外预测的信息时点、评价损失与行业分类基准。
- 阅读边界
- 仅据所给 OpenAlex 摘要，资产样本、预测期限和显著性结果均未说明；所述预测优势仅能视为作者在其应用中的报告。
原文摘要
We introduce the Community Network Heterogeneous Autoregressive model with Quarticity (CNHARQ), a novel framework that integrates network-based information to enhance the forecasting of multivariate realized volatilities. To address the curse of dimensionality, we propose a Correlation-Based Stochastic Block Model (CBSBM) to uncover latent community structures from the correlation network of realized volatilities of N assets. This approach reduces the number of unknown parameters in the model from O(N2) to O(NK), where K≪N denotes the number of communities. Empirical analysis demonstrates that the CBSBM captures dynamic community structures, revealing shifts in the co-movement of asset volatilities over time. Furthermore, the CBSBM-based community structure outperforms the conventional Global Industry Classification Standard (GICS) in out-of-sample volatility forecasting, highlighting the superior forecasting power of network-based correlations over traditional industry classification schemes.