Volatility Forecasting Using Similarity-based Parameter Correction and Aggregated Shock Information
利用相似性参数修正与聚合冲击信息预测波动率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：摘要明确围绕新闻冲击后的 GARCH 波动率预测修正与预测评价展开。
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
利用相似性参数修正与聚合冲击信息预测波动率
- 研究问题
- 新闻冲击发生后，如何利用其他经历相似冲击的序列信息，修正目标序列的多步 GARCH 波动率预测并评价修正效果？
- 方法与思路
- 作者将冲击视为外生协变量的仿射函数，以随机效应建模并按固定效应估计，再聚合超额波动率，为 GARCH 预测加入修正项。
- 材料陈述的贡献
- 摘要称，研究提出冲击后的相似性修正程序，以实现波动率指标比较修正前后预测，并通过应用和模拟讨论有利条件与超参数。
- 阅读关注点
- 应核对相似冲击筛选、外生协变量和聚合权重，随机效应与固定效应估计的衔接，以及实现波动率的构造和预测评价。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核实；摘要未说明冲击可比性条件和改善幅度，实现波动率如何代理目标亦需核对。
原文摘要
We develop a procedure for forecasting the volatility of a time series immediately following a news shock. Adapting the similarity-based framework of Lin and Eck (2020), we exploit series that have experienced similar shocks. We aggregate their shock-induced excess volatilities by positing the shocks to be affine functions of exogenous covariates. The volatility shocks are modeled as random effects and estimated as fixed effects. The aggregation of these estimates is done in service of adjusting the $h$-step-ahead GARCH forecast of the time series under study by an additive term. The adjusted and unadjusted forecasts are evaluated using the unobservable but easily-estimated realized volatility (RV). A real-world application is provided, as are simulation results suggesting the conditions and hyperparameters under which our method thrives.