Two are better than one: Volatility forecasting using multiplicative component GARCH‐MIDAS models
双成分优于单成分？乘法成分GARCH-MIDAS模型的波动率预测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：摘要核心是收益波动率的长短期成分分解、GARCH-MIDAS统计性质及波动率预测比较，直接对应金融波动率方向。
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
双成分优于单成分？乘法成分GARCH-MIDAS模型的波动率预测
- 研究问题
- 将波动率拆分为短期GARCH成分和由解释变量驱动的长期成分，能否改善中期波动率预测，这类乘法成分模型具有什么统计性质？
- 方法与思路
- 作者研究长短期成分相乘的GARCH-MIDAS模型，推导收益峰度、平方收益自相关和预测回归解释度，并以模拟及标普500数据评估估计与预测。
- 材料陈述的贡献
- 摘要称给出模型统计性质与准最大似然评估，并报告以住房开工为长期解释变量的模型，在两个月和三个月预测期显著优于所比较模型。
- 阅读关注点
- 应核对长期成分的设定、理论推导条件及模拟设计，并检查波动率预测目标、变量发布时间、竞争模型设置和预测比较的显著性检验。
- 阅读边界
- 摘要未说明样本期间、损失函数、显著性检验细节及变量筛选过程；报告的优势限于所述数据、竞争模型和预测期限，不能推广到所有市场。
原文摘要
Summary We examine the properties and forecast performance of multiplicative volatility specifications that belong to the class of generalized autoregressive conditional heteroskedasticity–mixed‐data sampling (GARCH‐MIDAS) models suggested in Engle, Ghysels, and Sohn ( Review of Economics and Statistics , 2013, 95 , 776–797). In those models volatility is decomposed into a short‐term GARCH component and a long‐term component that is driven by an explanatory variable. We derive the kurtosis of returns, the autocorrelation function of squared returns, and the R 2 of a Mincer–Zarnowitz regression and evaluate the QMLE and forecast performance of these models in a Monte Carlo simulation. For S&P 500 data, we compare the forecast performance of GARCH‐MIDAS models with a wide range of competitor models such as HAR (heterogeneous autoregression), realized GARCH, HEAVY (high‐frequency‐based volatility) and Markov‐switching GARCH. Our results show that the GARCH‐MIDAS based on housing starts as an explanatory variable significantly outperforms all competitor models at forecast horizons of 2 and 3 months ahead.