Forecasting Oil Volatility through Network Models with GARCH-Informed Correlation Weights
基于 GARCH 条件相关权重的网络模型与石油波动率预测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：摘要明确研究原油价格的 ARCH/GARCH 网络波动率模型及滚动预测，直接属于波动率方向。
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…
基于 GARCH 条件相关权重的网络模型与石油波动率预测
- 研究问题
- 在高维原油市场中，如何构造有统计依据的网络权重，兼顾波动率预测精度、同期溢出的可解释性与计算成本？
- 方法与思路
- 作者在网络 log-ARCH 框架中使用多元 GARCH 条件协方差构造相关权重，以 GMM 估计同期溢出，并对 OPEC 原油价格滚动预测。
- 材料陈述的贡献
- 摘要称，新权重的网络模型在比较中表现较好，可匹配 DCC-GARCH 的预测精度，特定比较中的计算收益最高达六万二千倍。
- 阅读关注点
- 应核对权重估计是否使用预测时点之外的信息、滚动窗口与损失检验设定，以及计算加速的基准、硬件和成本统计口径。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核实；摘要未给出样本区间和检验细节，最高加速比不能代表所有规模与配置。
原文摘要
This study addresses the computational challenges of forecasting volatility in high-dimensional commodity markets. Building on the Network log-ARCH framework, we introduce a novel class of network topologies from GARCH-informed correlation weights, obtained from conditional covariance estimates of multivariate GARCH models, rather than relying on the heuristic distance measures commonly used in clustering methods. We evaluate the proposed models forecasting performance through a rolling-window exercise using a panel of OPEC members crude oil prices. The results identify network volatility models incorporating these new GARCH-informed weights as the statistically superior specifications. Remarkably, the proposed framework matches standard DCC-GARCH predictive accuracy while delivering up to 62,000-fold computational gains. By explicitly modeling contemporaneous spillovers through interpretable spatial ARCH-like lags estimated via GMM, the proposed approach offers an optimal trade-off between parsimony, interpretability, and performance. The findings establish GARCH-informed network models as robust, scalable alternatives for systemic risk measurement and volatility forecasting in interconnected financial markets.