A machine learning search for optimal GARCH parameters
用机器学习搜索 GARCH 最优参数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：摘要以 GARCH 条件方差模型的参数拟合与实时跟踪为核心，直接对应波动率建模，而未涉及收益预测或高频识别。
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
用机器学习搜索 GARCH 最优参数
- 研究问题
- 能否用人工神经网络与矩的解析关系加快 GARCH 参数拟合，以支持参数实时跟踪，并比较不同网络输入的估计准确性？
- 方法与思路
- 作者先用神经网络预测 GARCH-normal(1,1) 的一个参数，再由标准化四阶矩及无条件二阶矩的解析表达式拟合另外两个参数。
- 材料陈述的贡献
- 摘要称，该流程能够快速拟合并跟踪 GARCH 参数；高阶标准化矩和时间序列自协方差均可作网络输入，但准确性并不相同。
- 阅读关注点
- 应核对用于参数恢复的矩存在条件、参数可行域、网络训练样本与输入选择，以及与传统拟合方法的速度和误差比较。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未报告样本规模、误差与耗时，方法适用性还需核对分布和矩条件。
原文摘要
Here, we use Machine Learning (ML) algorithms to update and improve the efficiencies of fitting GARCH model parameters to empirical data. We employ an Artificial Neural Network (ANN) to predict the parameters of these models. We present a fitting algorithm for GARCH-normal(1,1) models to predict one of the model's parameters, $α_1$ and then use the analytical expressions for the fourth order standardised moment, $Γ_4$ and the unconditional second order moment, $σ^2$ to fit the other two parameters; $β_1$ and $α_0$, respectively. The speed of fitting of the parameters and quick implementation of this approach allows for real time tracking of GARCH parameters. We further show that different inputs to the ANN namely, higher order standardised moments and the autocovariance of time series can be used for fitting model parameters using the ANN, but not always with the same level of accuracy.