本报告提出了一种基于自编码器的非线性降维方法,生成综合多种实现波动率指标的合成实现测度,并将其嵌入Realised GARCH模型中。在对标的美股、英股、澳股、港股等四大市场的实证分析中,所提模型在滚动单步波动率预测中均优于传统线性方法(PCA、ICA及均值合成),表现出更灵活的参数估计和更优的预测准确性,验证了非线性降维在提升合成实现测度效果中的潜力 。
标题: Autoencoder Enhanced Realised GARCH on Volatility Forecasting
作者: Qianli Zhao、Chao Wang、Richard Gerlach、Giuseppe Storti、Lingxiang Zhang
发布日期: 未明确标注,数据覆盖2000年至2022年6月
主题: 金融市场波动率预测,结合先进统计模型及机器学习技术
核心论点与目标:
本论文提出了一种基于自编码器(autoencoder)的非线性降维方法,生成合成的Realised波动率指标,并将其嵌入Realised GARCH模型进行波动率预测。该方法基于传统线性降维(主成分分析PCA与独立成分分析ICA)存在的局限,利用自编码器深度神经网络的非线性特性,整合多个真实波动率度量(Realised measures)的信息,改善模型的预测精度和适应性。实证研究涵盖四大国际股市(S&P 500、FTSE 100、AORD、恒生指数),包括2008年金融危机和COVID-19疫情期间,结果表明该模型在一步滚动预测准确性方面优于线性方法及传统模型,体现出更强的灵活性和参数估计稳定性 。
关键内容:
细节构成:
本论文为模型方法设计及评估报告,无直接传统意义的估值(估价)部分。其重心在于风险建模及预测准确率提升,通过比较预测对数似然值做模型性能判定。核心估值方法体现在波动率预测误差的最大似然估计,结合模型架构对真实波动率指标的优化使用。数学上采用对数正态分布的联合极大似然方法,结合两部分似然(回报和测量方程),对参数进行估计,同时保证稳定性约束。约束优化使用SLSQP算法,保证解的正规与收敛性。
报告未明确单独指出风险因素章节,但可从内容推断包含以下潜在风险:
本研究立足于金融高频数据的真实波动率指标,提出将神经网络中的自编码器非线性降维技术引入Realised GARCH模型,实现对多指标信息的合成与优化,促进了波动率预测性能的提升。核心结论包括:
综上,本文为波动率预测领域引入深度学习非线性综合视角,证明其优异性及未来研究潜力,特别是在多波动率指标选择难题上的解决方案,具有高度理论价值和实际意义。
本分析力求详尽剖析报告的结构与实证,清晰说明了模型方法、数学表达、实证过程和核心发现,且专门针对关键数据与图表进行了深入解读,有助于读者全面理解该研究中的创新点与实际应用价值。
2411.17136.pdf