循环条件异方差性

我们提出一类新的金融波动率模型，称为循环条件异方差（RECH）模型，以改进传统条件异方差模型的样本内分析与样本外预测。具体而言，我们将由循环神经网络控制的辅助确定性过程引入传统条件异方差模型（例如 GARCH 类模型）的条件方差中，以灵活捕捉潜在波动率的动态特征。RECH 模型能够检测到现有条件异方差模型（如 GARCH、GJR 和 EGARCH）所忽略的金融波动率中的有趣效应。新模型在保留计量经济学 GARCH 类模型已确立特征的同时，往往具有优良的样本外预测能力，并能很好地解释金融波动率的典型事实。这些性质通过模拟研究以及对三十一个股票指数和汇率数据的应用得以说明。用户友好的软件包及论文中报告的示例可在 https://github.com/vbayeslab 获取。