Deep Learning Enhanced Realized GARCH
深度学习增强的 Realized GARCH 模型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：摘要明确结合高频数据与已实现波动率建模，并评估波动率和尾部风险预测。
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 Realized GARCH 模型
- 研究问题
- 研究如何将 LSTM 与已实现波动率指标融入金融波动率模型，以联合刻画收益和波动率，并支持波动率及尾部风险预测。
- 方法与思路
- 作者构建 LSTM 增强的 Realized GARCH 框架，使用序贯蒙特卡洛进行贝叶斯推断和预测，并从多类指标开展实证比较。
- 材料陈述的贡献
- 摘要称新框架具有较好的样本内拟合及优于若干基准的预测表现，实证覆盖 31 个股票指数，并包含疫情期间的数据。
- 阅读关注点
- 应核对 LSTM 与波动率方程的结合方式、已实现指标构造、先验和计算设置，以及预测评估、尾部风险和期权定价指标。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收均未核实；摘要未列明基准、样本划分及显著性，所称预测优势仍需核对实证细节。
原文摘要
We propose a new approach to volatility modeling by combining deep learning (LSTM) and realized volatility measures. This LSTM-enhanced realized GARCH framework incorporates and distills modeling advances from financial econometrics, high frequency trading data and deep learning. Bayesian inference via the Sequential Monte Carlo method is employed for statistical inference and forecasting. The new framework can jointly model the returns and realized volatility measures, has an excellent in-sample fit and superior predictive performance compared to several benchmark models, while being able to adapt well to the stylized facts in volatility. The performance of the new framework is tested using a wide range of metrics, from marginal likelihood, volatility forecasting, to tail risk forecasting and option pricing. We report on a comprehensive empirical study using 31 widely traded stock indices over a time period that includes COVID-19 pandemic.