HAR

HAR"/>

HAR

本文分析了S＆P500指数和SPY ETF，VIX指数和VXX ETN的波动率的可预测性和可交易性。尽管已有大量关于预测高频波动的文献，但大多数仅根据统计误差评估预测。实际上，这种分析只是对预测的实际经济意义的一个小的指示。因此，在我们的方法中，我们还通过交易适当的波动率衍生品来测试我们的预测。

最近我们被客户要求撰写关于高频波动率的研究报告，包括一些图形和统计输出。

简介

波动性在资产定价和分配以及风险管理中起着核心作用，例如风险价值(VaR)与期望损失(ES)。对计量经济学家，统计学家和从业者来说，建模和预测波动性非常重要。然而，传统的广义自回归条件异方差（GARCH）和随机波动率（SV）模型的应用并不适合用于使用高频数据的应用。

本文将HAR-RV-J与递归神经网络（RNN）和混合 HAR-RV-J- RNN模型进行比较，以预测波动性，从而分析预测性。

循环神经网络

人工神经网络是一种功能强大的非参数工具，用于信号滤波，模式识别和插值，也可以容忍有误差的数据，并找到模型参数之间的非线性关联 。 大多数计量经济模型是通过捕获时间序列的特定特征（例如长记忆）或假设变量之间的函数关系而开发的，人工神经网络的主要优点是它们包含非线性并包含所有变量。

具有一个隐藏层的单输出RNN模型