Asset volatility forecasting:The optimal decay parameter in the EWMA model
资产波动率预测：EWMA 模型的最优衰减参数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：摘要直接研究资产收益的波动率及方差协方差矩阵预测。
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…
关注这篇论文的作者
资产波动率预测：EWMA 模型的最优衰减参数
- 研究问题
- 在多资产波动率与协方差预测中，EWMA 的衰减参数应如何随预测期限选择，时变参数相较固定参数是否改善样本外准确性？
- 方法与思路
- 作者使用美国大型公司历史收益序列，以滚动窗口比较不同期限和衰减参数的方差协方差预测，并评估样本内选择的时变参数。
- 材料陈述的贡献
- 摘要称最优固定参数随预测期限变化，较短期限更重视短期记忆；其所评估的时变参数方案比全样本最优固定参数更准确。
- 阅读关注点
- 应核对预测损失与样本内优化目标、全样本最优参数的选择信息，以及滚动评估是否排除前视信息和结果是否稳定。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未给出具体最优参数、准确性改善幅度或样本时段。
原文摘要
The exponentially weighted moving average (EMWA) could be labeled as a competitive volatility estimator, where its main strength relies on computation simplicity, especially in a multi-asset scenario, due to dependency only on the decay parameter, $λ$. But, what is the best election for $λ$ in the EMWA volatility model? Through a large time-series data set of historical returns of the top US large-cap companies; we test empirically the forecasting performance of the EWMA approach, under different time horizons and varying the decay parameter. Using a rolling window scheme, the out-of-sample performance of the variance-covariance matrix is computed following two approaches. First, if we look for a fixed decay parameter for the full sample, the results are in agreement with the RiskMetrics suggestion for 1-month forecasting. In addition, we provide the full-sample optimal decay parameter for the weekly and bi-weekly forecasting horizon cases, confirming two facts: i) the optimal value is as a function of the forecasting horizon, and ii) for lower forecasting horizons the short-term memory gains importance. In a second way, we also evaluate the forecasting performance of EWMA, but this time using the optimal time-varying decay parameter which minimizes the in-sample variance-covariance estimator, arriving at better accuracy than the use of a fixed-full-sample optimal parameter.