Volatility Forecasting With Range-Based EGARCH Models
基于价格极差的 EGARCH 模型与波动率预测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：摘要明确研究股票指数收益的波动率预测，双因子结构用于刻画波动率长记忆，直接对应波动率方向。
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
基于价格极差的 EGARCH 模型与波动率预测
- 研究问题
- 将价格极差信息纳入 EGARCH，并结合长记忆和收益与波动创新的非对称关系，能否改善波动率预测并延长可预测期限？
- 方法与思路
- 作者将极差数据与 EGARCH 结合，以双因子结构或分数积分刻画长记忆并容纳非对称性，使用1983—2004年标普500指数数据评估预测。
- 材料陈述的贡献
- 摘要报告样本外预测支持长记忆设定和极差数据的使用，并称在估计期结束后最长一年仍有较强的波动率可预测性。
- 阅读关注点
- 阅读时应核对极差的构造、长记忆与非对称项的设定、样本外切分及损失指标，并查看一年期预测的比较基准和不确定性。
- 阅读边界
- 摘要未列出预测误差、检验显著性或不同市场的稳健性结果；较长预测期限的发现来自所述指数样本，不能据此视为普遍规律。
原文摘要
We provide a simple, yet highly effective framework for forecasting return volatility by combining exponential generalized autoregressive conditional heteroscedasticity models with data on the range. Using Standard and Poor's 500 index data for 1983–2004, we demonstrate the importance of a long-memory specification, based on either a two-factor structure or fractional integration, that allows for some asymmetry between market returns and volatility innovations. Out-of-sample forecasts reinforce the value of both this specification and the use of range data in the estimation. We find substantial forecastability of volatility as far as 1 year from the end of the estimation period, contradicting the return-based conclusions of West and Cho and of Christoffersen and Diebold that predicting volatility is possible only for short horizons.