GARCHX-NoVaS: A Model-free Approach to Incorporate Exogenous Variables
GARCHX-NoVaS：纳入外生变量的无模型预测方法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：摘要直接研究股市波动率预测、GARCHX 类模型与 NoVaS 变换。
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
GARCHX-NoVaS：纳入外生变量的无模型预测方法
- 研究问题
- 如何在 NoVaS 波动率预测框架中纳入基本面、情绪等外生信息，并评价其长期时间聚合预测及地缘风险应用表现？
- 方法与思路
- 作者推导含外生协变量的正态化与方差稳定化变换，构造预测程序，再以模拟和欧洲三国股指数据进行评价。
- 材料陈述的贡献
- 摘要称，扩展后的 NoVaS 方法在模拟中优于传统方法，尤其适用于长期时间聚合预测，并展示地缘风险的预测用途。
- 阅读关注点
- 应核对外生变量在预测时是否可获得、变换和参数选择规则、比较模型设置，以及长期聚合预测的误差评价方式。
- 阅读边界
- 所据为 arXiv 预印本，不能据此认定已同行评审或期刊接收；性能优势是摘要陈述，具体幅度及适用范围未说明。
原文摘要
In this work, we explore the forecasting ability of a recently proposed normalizing and variance-stabilizing (NoVaS) transformation with the possible inclusion of exogenous variables. From an applied point-of-view, extra knowledge such as fundamentals- and sentiments-based information could be beneficial to improve the prediction accuracy of market volatility if they are incorporated into the forecasting process. In the classical approach, these models including exogenous variables are typically termed GARCHX-type models. Being a Model-free prediction method, NoVaS has generally shown more accurate, stable and robust (to misspecifications) performance than that compared to classical GARCH-type methods. This motivates us to extend this framework to the GARCHX forecasting as well. We derive the NoVaS transformation needed to include exogenous covariates and then construct the corresponding prediction procedure. We show through extensive simulation studies that bolster our claim that the NoVaS method outperforms traditional ones, especially for long-term time aggregated predictions. We also provide an interesting data analysis to exhibit how our method could possibly shed light on the role of geopolitical risks in forecasting volatility in national stock market indices for three different countries in Europe.