加载中...
本文研究能否从期权面板中提取基于模型的即期波动率估计量并将其并入HAR-RV框架以提升已实现波动率预测。通过对比Heston、Bates、SVCJ三类传统SV模型与rough Heston,并采用深度学习surrogate加速rough模型标定,实证显示以rough Heston为来源的SV估计量(HAR-RV-RHeston)在样本内外及多期(最高到1个月)均能显著降低预测误差并提升方向预测准确率 。
| 模型 | MAE (OOS) | RMSE (OOS) | QLIKE (OOS) | MDA (OOS) |
|---|---|---|---|---|
| HAR-RV | 0.2351 | 0.2904 | 0.0428 | 68.00% |
| HAR-RV-VIX | 0.2205 | 0.2798 | 0.0409 | 71.20% |
| HAR-RV-Heston | 0.2221 | 0.2815 | 0.0414 | 70.40% |
| HAR-RV-Bates | 0.2199 | 0.2788 | 0.0406 | 68.80% |
| HAR-RV-SVCJ | 0.2190 | 0.2776 | 0.0404 | 70.40% |
| HAR-RV-RHeston | 0.2137 | 0.2762 | 0.0403 | 73.60% |
元数据与概览(引言与报告概览)
逐节深度解读
图表与表格的逐一解读(关键图/表详析)
估值/方法学分析(模型、假设与关键输入)
风险因素评估与方法学限制(报告中识别与我方补充)
批判性视角与细微差别
结论性综合(汇总与最终判断)
参考图表(文中主要可视化)
(本文分析基于原文提供之段落、表格与图形;上述每处论断已标注对应来源页码以便溯源。)
2604.02743.pdf