A Heterogeneous Spatiotemporal GARCH Model: A Predictive Framework for Volatility in Financial Networks
异质时空 GARCH：金融网络波动率预测框架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：摘要直接建模和预测金融企业收益波动率，核心方法为异质时空 GARCH。
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
异质时空 GARCH：金融网络波动率预测框架
- 研究问题
- 如何在金融企业网络中同时刻画时间波动持续性、横截面相关和空间参数异质性，并预测未观测位置的波动率？
- 方法与思路
- 作者将 GARCH 动态与空间相关创新、空间变化参数结合，以局部似然估计，并用资产负债表特征构造企业间的代理空间。
- 材料陈述的贡献
- 摘要提出无需固定邻接矩阵的时空波动率框架，并用五十家上市公司一年的日对数收益数据开展交叉验证预测评估。
- 阅读关注点
- 核对代理空间与协方差结构的构造、局部似然及动态稳定条件，以及交叉验证如何安排、预测基准和空间外推表现。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实。摘要未报告预测比较结果，空间相关与递归传播也不能直接证明因果传染。
原文摘要
We introduce a heterogeneous spatiotemporal GARCH model for geostatistical data or processes on networks, e.g., for modelling and predicting financial return volatility across firms in a latent spatial framework. The model combines classical GARCH(p, q) dynamics with spatially correlated innovations and spatially varying parameters, estimated using local likelihood methods. Spatial dependence is introduced through a geostatistical covariance structure on the innovation process, capturing contemporaneous cross-sectional correlation. This dependence propagates into the volatility dynamics via the recursive GARCH structure, allowing the model to reflect spatial spillovers and contagion effects in a parsimonious and interpretable way. In addition, this modelling framework allows for spatial volatility predictions at unobserved locations. In an empirical application, we demonstrate how the model can be applied to financial stock networks. Unlike other spatial GARCH models, our framework does not rely on a fixed adjacency matrix; instead, spatial proximity is defined in a proxy space constructed from balance sheet characteristics. Using daily log returns of 50 publicly listed firms over a one-year period, we evaluate the model's predictive performance in a cross-validation study.