Generalized Autoregressive Score Trees and Forests
广义自回归得分树与森林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：摘要明确应用于股票收益波动率预测和高频交易持续时间，直接支持波动率与高频计量两个方向。
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
广义自回归得分树与森林
- 研究问题
- 如何让广义自回归得分模型的参数随多个状态变量灵活变化，改善金融预测，并减轻核方法面对的维数问题？
- 方法与思路
- 作者使用决策树和随机森林将 GAS 参数局部化，并在股票收益波动率与密度、股债依赖以及高频交易持续时间中应用。
- 材料陈述的贡献
- 摘要称四项应用均显著优于基准 GAS，并从最优模型中识别杠杆、方差风险溢价、避险转移及交易量与波动率效应。
- 阅读关注点
- 应核对树与森林的训练和调参方式、预测评价及显著性检验，并区分模型揭示的状态关系与经过识别的因果效应。
- 阅读边界
- 所给版本为 arXiv 预印本，不能确认同行评审或期刊接收；摘要未给出数据窗口、预测损失及改善幅度，优势范围仍待核对。
原文摘要
We propose methods to improve the forecasts from generalized autoregressive score (GAS) models (Creal et. al, 2013; Harvey, 2013) by localizing their parameters using decision trees and random forests. These methods avoid the curse of dimensionality faced by kernel-based approaches, and allow one to draw on information from multiple state variables simultaneously. We apply the new models to four distinct empirical analyses, and in all applications the proposed new methods significantly outperform the baseline GAS model. In our applications to stock return volatility and density prediction, the optimal GAS tree model reveals a leverage effect and a variance risk premium effect. Our study of stock-bond dependence finds evidence of a flight-to-quality effect in the optimal GAS forest forecasts, while our analysis of high-frequency trade durations uncovers a volume-volatility effect.