Recurrent conditional heteroskedasticity
循环条件异方差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：摘要明确提出金融条件波动率模型，结合循环神经网络与GARCH并应用于股票指数和汇率。
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…
循环条件异方差
- 研究问题
- 如何在保留GARCH类模型成熟特征的同时，用循环神经网络更灵活地描述金融波动动态，并改善样本内分析和样本外预测？
- 方法与思路
- 作者提出RECH模型，将循环神经网络驱动的辅助确定性过程纳入传统条件异方差模型的条件方差，并进行模拟和金融数据应用。
- 材料陈述的贡献
- 摘要称，模型可捕捉传统GARCH类模型遗漏的波动效应，常有良好样本外预测；研究以31个股票指数和汇率数据作说明。
- 阅读关注点
- 应核对神经网络过程与条件方差的连接、方差有效性和估计方法，以及预测比较、复杂度选择和新增效应的解释依据。
- 阅读边界
- 摘要未说明稳定性条件、预测收益数值或比较显著性；所述软件可用性仅为摘要陈述，未核验其当前状态或复现能力。
原文摘要
Summary We propose a new class of financial volatility models, called the REcurrent Conditional Heteroskedastic (RECH) models, to improve both in‐sample analysis and out‐of‐sample forecasting of the traditional conditional heteroskedastic models. In particular, we incorporate auxiliary deterministic processes, governed by recurrent neural networks, into the conditional variance of the traditional conditional heteroskedastic models, for example, GARCH‐type models, to flexibly capture the dynamics of the underlying volatility. RECH models can detect interesting effects in financial volatility overlooked by the existing conditional heteroskedastic models such as the GARCH, GJR, and EGARCH. The new models often have good out‐of‐sample forecasts while still explaining well the stylized facts of financial volatility by retaining the well‐established features of econometric GARCH‐type models. These properties are illustrated through simulation studies and applications to 31 stock indices and exchange rate data. An user‐friendly software package, together with the examples reported in the paper, is available at https://github.com/vbayeslab .