English(EN) Prediction Inference for Hybrid Models on Realized Volatility Forecasting

新的混合模型通过预测区间不确定性增强波动率预测能力

作者 PulseAugur 编辑部 · [1 个来源] · 2026-11-11 05:00

研究人员开发了一种结合GARCH和LSTM的新混合模型用于波动率预测，解决了评估预测不确定性的难题。该模型通过纳入ARMA结构来处理条件均值，并引入了前向bootstrap算法来生成多步预测区间，从而扩展了现有的GARCH-LSTM方法。为了提高区间覆盖率，该方法从经验分布中抽取bootstrap创新项以模仿金融序列的肥尾特性，并利用一致性预测原理系统地扩展区间长度。在模拟和2020-2025年美国股指上的评估表明，基于ARMA的混合模型实现了更低的点预测误差，而将这两种方法与基于均值的混合模型结合，可以得到最接近名义水平的区间。 AI

影响为金融预测模型中的不确定性量化引入了新颖的方法，有望改善风险管理。

排序理由该条目是一篇学术论文，详细介绍了一种新的统计模型及其评估。[lever_c_demoted from research: ic=1 ai=0.4]

在 arXiv stat.ML 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 5 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该条目是一篇学术论文，详细介绍了一种新的统计模型及其评估。[lever_c_demoted from research: ic=1 ai=0.4]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, other; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: Standard; On-topic for AI-industry coverage; kept in the public index.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv stat.ML TIER_1 English(EN) · Kyle Parrella, Kejin Wu · 2026-11-11 05:00

混合模型在已实现波动率预测中的预测推理

arXiv:2611.13212v1 Announce Type: cross Abstract: GARCH-LSTM hybrid models have become increasingly popular in the volatility forecasting literature. To date, these models have almost exclusively focused on point estimation and accuracy measures such as RMSE and MAPE, while faili…

本文如何被排名

报道来源 [1]

混合模型在已实现波动率预测中的预测推理

相关实体

相关话题