Deep Learning Enhanced Multivariate GARCH
深度学习增强的多变量 GARCHAI 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：摘要明确研究多变量 GARCH、金融收益波动与协方差预测，未具体说明尾部或系统性风险目标。
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…
深度学习增强的多变量 GARCH
- 研究问题
- 如何在多变量金融收益波动模型中结合神经网络与 BEKK 结构，以刻画非线性依赖、波动聚集及不对称共同变化？
- 方法与思路
- 作者提出 LSTM-BEKK，将长短期记忆网络与多变量 GARCH 的 BEKK 结构结合，并在多个股票市场评估样本外组合风险预测。
- 材料陈述的贡献
- 摘要称该混合框架改善动态依赖的刻画，多个股票市场实证显示样本外组合风险预测更好，同时保留 BEKK 的解释性。
- 阅读关注点
- 应核对网络进入 BEKK 的具体方式、协方差正定性和稳定性约束，以及样本外风险指标、基准设定与解释性的评估方式。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未说明风险指标、理论约束或改善幅度，不能认定所有市场均有优势。
原文摘要
This paper introduces a novel multivariate volatility modeling framework, named Long Short-Term Memory enhanced BEKK (LSTM-BEKK), that integrates deep learning into multivariate GARCH processes. By combining the flexibility of recurrent neural networks with the econometric structure of BEKK models, our approach is designed to better capture nonlinear, dynamic, and high-dimensional dependence structures in financial return data. The proposed model addresses key limitations of traditional multivariate GARCH-based methods, particularly in capturing persistent volatility clustering and asymmetric co-movement across assets. Leveraging the data-driven nature of LSTMs, the framework adapts effectively to time-varying market conditions, offering improved robustness and forecasting performance. Empirical results across multiple equity markets confirm that the LSTM-BEKK model achieves superior performance in terms of out-of-sample portfolio risk forecast, while maintaining the interpretability from the BEKK models. These findings highlight the potential of hybrid econometric-deep learning models in advancing financial risk management and multivariate volatility forecasting.