Generalized dynamic factor models and volatilities: estimation and forecasting
广义动态因子模型与波动率：估计和预测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。
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：摘要明确讨论金融收益与波动率的联合动态因子结构及个股波动率预测，直接对应金融因子和波动率方向。
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…
关注这篇论文的作者
广义动态因子模型与波动率：估计和预测
- 研究问题
- 当股票收益的共同与特有成分波动率高度相关时，如何利用收益和波动率的联合因子结构生成个股波动率预测？
- 方法与思路
- 作者沿用两步非参数广义动态因子方法，对收益及波动率或其代理量分别分解，并据此提取市场波动冲击和构造预测。
- 材料陈述的贡献
- 摘要称该方法自然产生波动率预测；在标普100成分股应用中，日内高低价差预测优于所比较的多类 GARCH 方法。
- 阅读关注点
- 应核对两步分解与波动率代理的构造、预测信息集及评估方式，并检查不同 GARCH 基准的设定和估计可比性。
- 阅读边界
- 仅据所给出版社摘要，改善幅度及评估细节未说明；日内高低价差预测的优势不能直接扩展为所有波动率指标的优势。
原文摘要
In large panels of financial time series with dynamic factor structure on the levels or returns, the volatilities of the common and idiosyncratic components often exhibit strong correlations, indicating that both are exposed to the same market volatility shocks. This suggests, alongside the dynamic factor decomposition of returns, a dynamic factor decomposition of volatilities or volatility proxies. Based on this observation, Barigozzi and Hallin (2016) proposed an entirely non-parametric and model-free two-step general dynamic factor approach which accounts for a joint factor structure of returns and volatilities, and allows for extracting the market volatility shocks. Here, we go one step further, and show how the same two-step approach naturally produces volatility forecasts for the various stocks under study. In an applied exercise, we consider the panel of asset returns of the constituents of the S&P100 index over the period 2000–2009. Numerical results show that the predictors based on our two-step method outperform existing univariate and multivariate GARCH methods, as well as static factor GARCH models, in the prediction of daily high–low range—while avoiding the usual problems associated with the curse of dimensionality.