• 这是“高频数据”第130篇推送

• 编辑:张莉(西南交通大学数学学院)

• 审稿:唐瑜穗(西南交通大学经济管理学院)

• 仅用于学术交流，原本版权归原作者和原发刊所有

导读

contents

在金融市场发展中，波动率预测显得尤为重要。传统波动率预测使用Engle(2002)提出的GARCH模型，后面衍生了相关GARCH族模型，不过他们都只能使用非高频数据。日数据及更低频数据会损失掉日内交易信息，随着信息技术发展，高频数据的获取也变得相对容易，这大大提高了市场参与者和政策制定者降低市场风险的信心。本期小编为大家推送一篇基于高频波动率结合GARCH模型预测的论文，题目是An International Comparison of Implied, Realized and GARCH Volatility Forecasts。

标题

An International Comparison of Implied, Realized, and GARCH Volatility Forecasts

文章信息

(网页截图)

Abstract

We compare the predictive ability and economic value of implied, realized, and GARCH volatility models for 13 equity indices from 10 countries. Model ranking is similar across countries, but varies with the forecast horizon. At the daily horizon, the Heterogeneous Autoregressive model offers the most accurate predictions, whereas an implied volatility model that corrects for the volatility risk premium is superior at the monthly horizon. Widely used GARCH models have inferior performance in almost all cases considered. All methods perform significantly worse over the 2008–09 crisis period. Finally, implied volatility offers significant improvements against historical methods for international portfolio diversification.

论文简介

本文比较了隐含波动率、已实现波动率和GARCH波动率建模分析10个国家的13个股票指数的预测能力和经济价值。1.文章选择GJR-GARCH模型是由于他相对于其他的GARCH模型具有更好的性能，另使用了两种波动率水平对GJR-GARCH模型进行调整，这种调整可优化原始隐含波动率的无偏性；此外还使用滞后阶数和异质自回归(HAR-RV)模型对已实现波动率预测。2.文章用日内已实现波动率代替实际波动率，为了考虑异质市场结构分别使用日(短期)、周(中期)、月(长期)的数据频率，在此基础上使用单变量Mincer Zarnowitz法来评估样本内每组波动率预测的信息含量。3.样本外预测的准确性评估是基于两两比较的Diebold Mariano检测法，采用了MSE和QLIKE两种损失函数进行检测。4.文章采用不同模型、不同估计周期以及波动溢出效应进行了一系列稳健性检验证明了HAR-RV模型的预测效果更好，其中隐含波动率模型对长期信息的预测效果最好，而风险溢价调整后的隐含波动率对多数市场的预测能力都优于原始的隐含波动率。

作者信息

Apostolos Kourtis:Norwich Business School, University of East Anglia, Norwich, UK;

Raphael N. Markellos:Norwich Business School, University of East Anglia, Norwich, UK；

Lazaros Symeonidis:Norwich Business School, University of East Anglia, Norwich, UK.

引用格式

Kourtis A, Markellos R N, Symeonidis L. An international comparison of implied, realized, and GARCH volatility forecasts[J]. Journal of Futures Markets, 2016, 36(12): 1164-1193.

原文链接

https://onlinelibrary.wiley.com/doi/abs/10.1002/fut.21792(或点击左下角“

相似研究

1.Structural breaks and volatility forecasting in the copper futures market. Journal of Futures Markets, 2018.

2.Variance risk: A bird’s eye view. Journal of Econometrics,2019.

3.Improving volatility forecasting based on Chinese volatility index information: Evidence from CSI 300 index and futures markets. The North American Journal of Economics and Finance, 2019.

了解我们

微信公众号“高频数据”精推关于高频数据波动率和收益率预测等最新国际高质量期刊论文和工作论文，同时搭配推送相关领域高级别期刊目录，旨在丰富学术推文市场内容，搭建国内外高频数据预测的交流平台。该公众号由华南理工大学杨科教授，西南交通大学马锋副教授带领的团队负责。

版块分区

团队介绍

团队成员/团队老师

推文部分

精品细读/团队成果/工作论文

期刊目录

金融类Top5期刊系列推送:包括JF、RFS、JFE、JFQA、ROF

高级别期刊系列推送:包括JOE、JBES、JBF、IJOF、JAE、JOF

高频数据

因为有你的关注

而变得温暖