分析货币波动：GARCH、EWMA 和 IV 模型对 GBP/USD 和 EUR/GBP 货币对的比较研究
内容提要
该文综述金融波动率与风险预测研究：混合深度学习与GARCH模型提升点波动率预测，Temporal Fusion Transformer优于传统方法；格兰杰因果与PageRank分析表明汇率市场信息传播非瞬时，违背有效市场假说；高斯过程、GARCH-NN及深度生成模型（如CWGAN）用于风险建模，其中HS、GARCH和CWGAN表现最佳；LSTM在中国部门数据预测中效果最优。
延伸解读
混合模型在波动率预测与风险预测中的差异
文章指出，深度学习与GARCH的混合模型能提升点波动率预测的准确性，但不一定能转化为更优的风险预测。这意味着在实际风险管理中，仅追求波动率预测精度的提升可能不足以改善风险度量，需关注模型在风险预测任务上的直接表现。
市场信息传播非瞬时：对有效市场假说的挑战
通过格兰杰因果和PageRank分析，研究发现汇率市场信息传播并非瞬时，且大部分汇率受其所属货币的股市指数影响最大，这与有效市场假说相悖。这提示投资者，市场可能存在滞后反应，利用信息传播的延迟或可获取超额收益。
深度生成模型在风险建模中的表现
在风险建模中，研究比较了多种深度生成方法，包括CGAN、CWGAN、Diffusion等，并引入KPIs评估生成时间序列的质量。结果表明，HS、GARCH和CWGAN模型表现最佳。这为金融机构选择风险模型提供了参考，但需注意不同数据下的适用性。
LSTM在中国部门数据预测中的优势
针对中国各部门的日度时间序列数据，研究比较了六种模型，发现LSTM具有最佳预测性能。这表明在特定领域的数据预测中，LSTM可能优于传统统计模型和机器学习方法，但需结合具体场景验证。
Q&A
混合深度学习与GARCH模型在波动率预测和风险预测上的效果有何不同？
混合模型能提供更准确的点波动率预测，但不一定能转化为优越的风险预测。
Temporal Fusion Transformer在波动率预测中表现如何？
Temporal Fusion Transformer优于传统方法和浅层网络，因此鼓励将其应用到实践中。
汇率市场信息传播是否瞬时？有效市场假说是否成立？
研究发现大部分汇率会被它们所属货币的股市指数排名最高，这与有效市场假说相反，提示市场信息的传播并非瞬间完成。
GARCH-NN方法相比独立使用随机和神经网络模型有何优势？
将GARCH家族模型的神经网络对应组件与传统神经网络模型相结合可以带来比独立使用随机和神经网络模型更好的结果。
在预测中国各部门日期间序列数据时，哪种模型表现最佳？
长短时记忆模型具有最佳的预测性能。
在金融风险建模中，哪些深度生成模型表现最好？
HS、GARCH和CWGAN模型是表现最好的模型。
