Nonlinear time-series analysis of stock volatilities
股票波动率的非线性时间序列分析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：摘要直接研究股票收益波动率的非线性、波动聚集及样本外波动率预测，因此归入金融波动率方向。
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
股票波动率的非线性时间序列分析
- 研究问题
- 用去均值超额收益绝对值衡量的股票波动率是否具有非线性，门限自回归模型的预测表现如何随股票规模和预测期变化？
- 方法与思路
- 作者对月度波动率进行非线性检验并拟合 TAR 模型，再以样本外均方误差和平均绝对偏差比较 ARMA、GARCH 与 EGARCH。
- 材料陈述的贡献
- 摘要称，大股票的 TAR 预测优于所比较模型，小股票长期预测则以 EGARCH 最佳，并发现高波动状态下的聚集特征。
- 阅读关注点
- 应核对波动率代理指标、门限选择、股票规模划分和预测窗口，并检查模型比较的不确定性及不同预测期的结果。
- 阅读边界
- 仅依据所给 OpenAlex 版本摘要；未提供样本、预测误差数值或显著性检验，模型优劣限于摘要描述的比较情境。
原文摘要
The absolute value of the mean-corrected excess return is used in this paper to measure the volatility of stock returns. We apply various nonlinearity tests available in the literature to show that such volatility series are strongly nonlinear. We then explore the use of threshold autoregressive (TAR) models in describing monthly volatility series. The models built suggest that the volatility series exhibit significant lower-order serial correlations when the volatility is large, indicating certain volatility clustering in stock returns. Out-of-sample forecasts are used to compare the TAR models with linear ARMA models and nonlinear GARCH and EGARCH models. Based on mean squared error and average absolute deviation, the comparisons show that (a) the TAR models consistently outperform the linear ARMA models in multi-step ahead forecasts for large stocks, (b) the TAR models provide better forecasts than the GARCH and EGARCH models also for the volatilities of large stock returns, and (c) the EGARCH model gives the best long-horizon volatility forecasts for small stock returns.