Forecasting realized volatility: a Bayesian model‐averaging approach
已实现波动率预测：贝叶斯模型平均方法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。
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：摘要明确利用日内高频数据构造已实现波动测度，并预测股票与汇率波动率。
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
已实现波动率预测：贝叶斯模型平均方法
- 研究问题
- 如何在多种已实现波动率模型之间处理模型不确定性，并改善股票与汇率波动率在不同预测期限下的点预测和密度预测？
- 方法与思路
- 作者平均自回归与异质自回归规格，纳入已实现幂变差、双幂变差、跳跃和非对称项，并进一步平均允许创新存在GARCH效应的规格。
- 材料陈述的贡献
- 摘要称模型平均产生有竞争力的密度预测及较小的点预测改进；纳入创新GARCH效应后密度预测进一步改善，幂变差预测变量较重要。
- 阅读关注点
- 应核对候选模型与先验权重、高频波动测度的构造、点预测及密度预测评分，以及不同期限和创新GARCH规格的比较设计。
- 阅读边界
- 摘要未说明样本、评分指标或改进幅度，不能推断模型平均在所有资产和时期均占优；本条仅依据所给Crossref版本摘要。
原文摘要
Abstract How to measure and model volatility is an important issue in finance. Recent research uses high‐frequency intraday data to construct ex post measures of daily volatility. This paper uses a Bayesian model‐averaging approach to forecast realized volatility. Candidate models include autoregressive and heterogeneous autoregressive specifications based on the logarithm of realized volatility, realized power variation, realized bipower variation, a jump and an asymmetric term. Applied to equity and exchange rate volatility over several forecast horizons, Bayesian model averaging provides very competitive density forecasts and modest improvements in point forecasts compared to benchmark models. We discuss the reasons for this, including the importance of using realized power variation as a predictor. Bayesian model averaging provides further improvements to density forecasts when we move away from linear models and average over specifications that allow for GARCH effects in the innovations to log‐volatility. Copyright © 2009 John Wiley & Sons, Ltd.