Network log-ARCH models for forecasting stock market volatility
用于股市波动率预测的网络 log-ARCH 模型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：摘要明确以美国股市波动率预测和网络 ARCH 为核心，最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
用于股市波动率预测的网络 log-ARCH 模型
- 研究问题
- 如何利用时间滞后与股票网络中的即时波动溢出，预测美国股市波动率，并在高维环境下比较不同网络定义？
- 方法与思路
- 作者将时空 ARCH 方法扩展到网络，结合滞后波动与相邻节点信息，以距离或相关性构建边，并考察组合预测。
- 材料陈述的贡献
- 摘要称模型可处理传统多变量 ARCH 难以适用的高维情形，并通过样本外比较量化即时网络效应带来的预测改善。
- 阅读关注点
- 应核对即时网络作用的模型可解性、网络构建所用信息时点，以及样本外比较、基准模型与组合预测的具体设计。
- 阅读边界
- 所给为 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未说明理论条件、预测损失或改善幅度，不能据此推断因果溢出。
原文摘要
This paper presents a novel dynamic network autoregressive conditional heteroscedasticity (ARCH) model based on spatiotemporal ARCH models to forecast volatility in the US stock market. To improve the forecasting accuracy, the model integrates temporally lagged volatility information and information from adjacent nodes, which may instantaneously spill across the entire network. The model is also suitable for high-dimensional cases where multivariate ARCH models are typically no longer applicable. We adopt the theoretical foundations from spatiotemporal statistics and transfer the dynamic ARCH model for processes to networks. This new approach is compared with independent univariate log-ARCH models. We could quantify the improvements due to the instantaneous network ARCH effects, which are studied for the first time in this paper. The edges are determined based on various distance and correlation measures between the time series. The performances of the alternative networks' definitions are compared in terms of out-of-sample accuracy. Furthermore, we consider ensemble forecasts based on different network definitions.