本文创新性地将图信号处理(GSP)技术融入传统异质自回归(HAR)模型,提出基于DY-magnetic-Laplacian构造的全球股票市场波动率溢出网络的实现波动率预测方法。通过引入图信号能量(GSE)作为网络结构有效性诊断工具,并利用图傅里叶变换捕获跨市场波动溢出效应,本文实证证实该框架在短期、中期及长期实现波动率预测中均显著优于基线模型。同时,GSP-HAR模型预测的GSE在金融危机等市场动荡期表现出领先预警能力,拓展了波动率预测与市场风险监测的研究边界
报告标题:Graph Signal Processing for Global Stock Market Realized Volatility Forecasting
作者:Zhengyang CHI, Junbin GAO, Chao WANG
发布机构:悉尼大学商学院商业分析学科
发布日期:未明示,参考文献年份至2025年,推测为较新研究
主题:全球股票市场的实现波动性(Realized Volatility, RV)预测,利用图信号处理(Graph Signal Processing, GSP)扩展传统的异质自回归模型(Heterogeneous Autoregressive, HAR)框架,整合全球市场波动性溢出效应,提升预测能力。
该报告旨在提出一种创新的基于图信号处理(GSP)的实现波动率预测框架,扩展传统广为应用的HAR模型,将全球股票市场的波动性溢出关系以图的形式建模,并通过图傅里叶变换(Graph Fourier Transform, GFT)及其逆变换捕捉市场波动动力学的时空特征。论文的核心贡献包括:
关键词强调“波动性溢出”、“实现波动率”、“图信号处理”及“频谱分析”,反映该研究从网络信号处理视角深化金融波动动力学的意图。
报告开篇强调全球金融市场波动性对投资者、风险管理者和政策制定者的重要性,理论基础依赖高频数据构造的实现波动率(RV)作为反映市场波动的标准统计量。文献回顾指出波动性通过市场间溢出效应跨国界、跨资产传播,其研究自2008全球金融危机和COVID-19疫情以来受关注激增。已有工作利用图形模型探索波动性溢出,但缺乏对溢出网络构建有效性和代表性的系统评估。为此,本研究创新地引入GSE,基于图拉普拉斯算子度量信号在图结构上的平滑度,提供一种模型无关的网络构造评估指标,有助识别符合真实经济动态的网络拓扑。
随后,实证结果显示不同网络构造方法GSE动态特征的异同:基于Pearson相关矩阵构建的网络GSE在重大冲击期间表现异常偏低,且高于稳定时期;而基于Diebold-Yilmaz(DY)框架与磁拉普拉斯(Magnetic Laplacian)矩阵的网络GSE则在危机期显著升高,符合波动溢出加强的经济直觉,验证了后者的理论一致性及信息含量优越性。
作者细致回顾了图论基本概念,强调对卷积及变换的实现基础——权重矩阵W、度矩阵D及拉普拉斯算子L=D−W。对于无向图,权重矩阵对称且元素非负;度矩阵对角元素为节点连接权重和。拉普拉斯矩阵可正规化为Lnorm=I−D−21WD−21 ,标准化旨在避免度数偏差影响,增强数值稳定性。图信号x∈RN定义在节点上,GSE定义为E(x)=x⊤Lx,衡量信号在图上的非平滑程度(即信号在相连节点间的差异大小),其非负性得到数学证明。
HAR模型设计用于捕捉不同市场参与者在多时间尺度上的波动性特征,传统公式为: [ \widehat{\mathbf{v}}_t = \alpha + \beta_d \mathbf{v}_d + \beta_w \mathbf{v}_w + \beta_m \mathbf{v}_m, ] 其中vd、vw、vm分别为过去1天、1周、1个月的RV平均,β为对角矩阵,代表时间尺度效应。尽管HAR具有效率与可解释性,其缺点是未能捕获多市场间的联合波动动态与溢出关系。
GNN-HAR模型将空间图神经网络引入HAR,通过预构建固定的溢出网络权重矩阵W,实现从邻居市场的波动性信息聚合并经线性与非线性变换,再纳入预测中。模型结构如: [ \begin{cases} \mathbf{H}^{(0)}=(\mathbf{v}_d, \mathbf{v}_w, \mathbf{v}_m) \ \mathbf{H}^{(l+1)} = \text{ReLU}(\mathbf{D}^{-\frac{1}{2}} \mathbf{W} \mathbf{D}^{-\frac{1}{2}} \mathbf{H}^{(l)} \mathbf{W}^{(l)}) \ \widehat{\mathbf{v}}_t = \boldsymbol{\alpha} + \beta_d \mathbf{v}_d + \beta_w \mathbf{v}_w + \beta_m \mathbf{v}_m + \gamma \mathbf{H}^{(L+1)} + \epsilon_t \end{cases} ] 此方法引入非线性并使溢出效应显性,性能优于HAR,但常弱化对方向性及两端溢出节点信息的捕捉,且无法充分利用频谱信息。
报告比较了四种常用波动网络构建方法:
前三者均产生对称权重,便于拉普拉斯计算,第四种磁拉普拉斯特殊设计处理方向性,转化为Hermitian矩阵以保障频谱定义合理。通过滚动窗口方法在一年区间内计算RV均值信号的GSE,结果显示DY-磁拉普拉斯方法的GSE动态与经济现实最为吻合,在危机期间GSE显著升高,平稳时期较低,且能够捕捉溢出方向性,优越性显著确认。
磁拉普拉斯定义引入相位矩阵Θ(q)=2πq(W−W⊤),量化方向性信息,参数q>0用于调整方向敏感度。其拉普拉斯矩阵定义为: [ \mathbf{L}_m^{(q)} = \mathbf{I} - (\mathbf{D}^s)^{-\frac{1}{2}} \mathbf{W}^s (\mathbf{D}^s)^{-\frac{1}{2}} \odot \exp(i\Theta^{(q)}), ] 其中Ws=21(W+W⊤)为对称化权重矩阵。
该矩阵为Hermitian,保证特征值为实且非负,存在正交的复数特征向量构成图傅里叶基。其图傅里叶变换(GFT)和逆变换(IGFT)定义为: [ \widetilde{\mathbf{v}}_t = \mathbf{U}_m^\dagger \mathbf{v}_t, \quad \mathbf{v}_t = \mathbf{U}_m \widetilde{\mathbf{v}}_t, ] 其中vt为复数频谱信号。
构建在DY的非对称溢出网络上的磁拉普拉斯,提供了捕获方向性波动溢出的坚实数学框架。
GSP-HAR模型框架流程包括:
模型兼顾了多尺度稳定性和复杂的跨市场溢出交互,同时利用GSP频域整合全局结构。
测试Pearson相关矩阵(GSP-HAR-P)、GLASSO精度矩阵(GSP-HAR-GL)、DY对称化(GSP-HAR-DY-sym)以及DY非对称磁拉普拉斯(GSP-HAR-DY-asym)构造的溢出网络。
检验GSP-HAR模型预测RV的图信号能量(GSE)能否作为市场动荡早期预警指标:
总结:
图1和图2支撑了第1章提出的构建与评估网络有效性的重要性,指导随后采用DY磁拉普拉斯网络驱动模型设计。
展示GSP-HAR模型架构及数据流,清晰说明从原始多指数时间序列、波动溢出图邻接矩阵,经过磁拉普拉斯分解,GFT映射至频谱域,实部和虚部分别应用HAR滤波,再IGFT回映到空间域,最后由3层神经网络整合输出预测值。
图示展现复数频谱处理及哈氏预测的独立分支,强调信号在频谱域的处理可捕捉非线性、方向性微妙关系;深度神经网络融合实虚部分体现模型灵活性。
支持3.3小节方法论,说明该模型架构如何结合图谱结构和时序特征进行协同建模。
示意7个股票市场指数间的波动溢出网络(根据DY框架),节点代表指数,带箭头的边表示溢出方向,边宽反映溢出强度。
该网络揭示全球主要市场间存在复杂、多向的波动溢出联系,部分市场如SPX、FCHI、GDAXI与FTSE间关联尤为密集强烈,说明它们在波动传染机制中的重要作用。
该图辅助说明网络构造与模型输入,强调溢出网络在多市场RV预测中的核心地位。
列示各预测模型(HAR、VHAR、HAR-KS、GNN-HAR、GSP-HAR)在短期(h=1)、中期(h=5)、长期(h=22)的MSE与MAE指标及统计显著性(MCS)结果,涵盖24指数。
明确支持“GSP-HAR在多时域均显著提升RV预测精度”的核心论断。
显示基于不同溢出网络构建方法(Pearson、GLASSO、DY对称和DY非对称磁拉普拉斯)对应GSP-HAR变型的预测性能。
进一步支持选用DY磁拉普拉斯构造作为主流溢出网络的合理性与优越性。
展示GSP-HAR预测的RV GSE(红色)及真实RV GSE(蓝色)随时间的变化,覆盖2004-2022年,背景色标记重大金融危机事件。
极具实用意义,表明模型不仅可提供准确RV预测,还能用于金融风险的实时监控和早期预警。
报告本质为方法类金融计量模型研究,无直接估值分析,故此部分无涉。
报告未专门章节讨论风险因素,但可从研究设计和实验中隐含理解:
报告中未明示缓解策略,但通过多模型对比、多指标验证及超参数调优展现了模型稳健设计[全报告]。
整体而言,报告在理论创新及实证测试上严谨,细节丰富,但对模型应用局限和潜在风险的反思尚显不足。
本报告通过将图信号处理技术与传统HAR模型有机结合,利用DY框架生成的带方向性磁拉普拉斯图构造,提出了GSP-HAR模型以捕捉全球股票市场实现波动率的时空动态和溢出效应。报告最大亮点是引入了图信号能量(GSE)作为网络结构诊断与评估指标,定量验证不同网络构造的合理性并指导模型设计。
实验证明:
报告不仅丰富了基于图信号处理的金融计量方法学,更为多市场波动率动态预测及风险预警提供了创新工具。附录中的数学定理和证明保障了方法的理论坚实性,多个图表与数据表全面佐证了结论的稳健性。
通过以上全面剖析,本报告是在图信号处理与金融计量交叉领域具有前瞻性的研究成果,值得学术和实务界高度关注和深入应用探索。
2410.22706.pdf