Realising the future: forecasting with high‐frequency‐based volatility (HEAVY) models
利用高频波动率信息预测：HEAVY 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。
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：摘要明确使用高频数据的已实现测度建模和预测日收益波动率。
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
利用高频波动率信息预测：HEAVY 模型
- 研究问题
- 如何利用高频数据构造的已实现测度直接建模日收益波动率，并研究波动率动态、结构突变适应和完整收益预测分布？
- 方法与思路
- 作者研究 HEAVY 模型的估计和动态性质，在信贷危机期间与传统 GARCH 比较拟合，并分析模型自助法和缺失数据处理。
- 材料陈述的贡献
- 摘要称模型具有动量与均值回归效应，能够快速适应波动率水平突变，并可借助模型自助法估计完整收益预测分布。
- 阅读关注点
- 应核对模型方程、估计条件、快速适应突变的依据，以及危机样本比较、自助法有效性和缺失数据处理方式。
- 阅读边界
- 仅依据所给 Crossref 版本摘要；未报告比较幅度或自助法条件，不能断言始终优于 GARCH，也不能推断其他版本变化。
原文摘要
Abstract This paper studies in some detail a class of high‐frequency‐based volatility (HEAVY) models. These models are direct models of daily asset return volatility based on realised measures constructed from high‐frequency data. Our analysis identifies that the models have momentum and mean reversion effects, and that they adjust quickly to structural breaks in the level of the volatility process. We study how to estimate the models and how they perform through the credit crunch, comparing their fit to more traditional GARCH models. We analyse a model‐based bootstrap which allows us to estimate the entire predictive distribution of returns. We also provide an analysis of missing data in the context of these models. Copyright © 2010 John Wiley & Sons, Ltd.