BriefGPT - AI 论文速递
·
深度学习和 GARCH 模型结合的金融波动率和风险预测
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
该研究使用图神经网络整合股票溢出效应，预测实现波动率。结果表明，建模非线性溢出效应能提高预测准确性，使用准似然损失函数训练能提高模型性能。实证评估证实了结果的稳健性。
🎯
关键要点
-
提出了一种新颖的方法来建模和预测多元实现波动率，使用定制的图神经网络。
-
模型整合多跳邻居的溢出效应，捕捉非线性关系，灵活使用不同的训练损失函数。
-
仅考虑多跳邻居的溢出效应并不能明显提高波动率的预测准确性。
-
建模非线性溢出效应显著提高实现波动率的预测准确性，尤其是短期预测。
-
使用准似然损失函数进行训练相比均方误差损失函数能大幅提高模型性能。
-
一系列实证评估证实了结果的稳健性。
➡️
