Exploiting the errors: A simple approach for improved volatility forecasting
利用测量误差改进波动率预测的简便方法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：摘要明确利用高频已实现波动率估计理论，并研究股票市场波动率预测，直接对应波动率与高频计量。
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…
利用测量误差改进波动率预测的简便方法
- 研究问题
- 已实现波动率的测量误差随时间变化时，如何将这种变化纳入预测模型，并评估其对股票指数与个股波动率预测的影响？
- 方法与思路
- 作者利用高频已实现波动率估计的渐近理论，使预测模型参数随估计的测量误差程度变化，误差较低时模型呈现更强持续性。
- 材料陈述的贡献
- 摘要称提出了一类易实施的预测模型，并在标普500指数与道琼斯成分股应用中，相对所比较模型获得显著的预测精度改善。
- 阅读关注点
- 应核对测量误差程度的估计方式、参数随误差变化的机制，以及高频数据处理、预测期限、样本划分与显著性比较方法。
- 阅读边界
- 仅据所给出版社摘要，具体模型形式、数据期间和改善幅度未说明；应用中的比较结果不能直接推广至其他资产或预测期限。
原文摘要
We propose a new family of easy-to-implement realized volatility based forecasting models. The models exploit the asymptotic theory for high-frequency realized volatility estimation to improve the accuracy of the forecasts. By allowing the parameters of the models to vary explicitly with the (estimated) degree of measurement error, the models exhibit stronger persistence, and in turn generate more responsive forecasts, when the measurement error is relatively low. Implementing the new class of models for the S&P 500 equity index and the individual constituents of the Dow Jones Industrial Average, we document significant improvements in the accuracy of the resulting forecasts compared to the forecasts from some of the most popular existing models that implicitly ignore the temporal variation in the magnitude of the realized volatility measurement errors.