全球神经网络与金融时间序列预测中的数据规模效应

神经网络已革新诸多实证领域，但其在金融时间序列预测中的应用仍存争议。本研究表明，在数据稀缺环境下局部估计模型的常规做法，可能是既往文献中混合实证表现的根源。聚焦于波动率预测，我们采用包含逾 10,000 只全球股票的数据集，并实施跨截面汇集信息的全局估计策略。我们的计量分析揭示，随着训练数据集变大且更具异质性，预测精度显著提升。值得注意的是，即便仅用 12 个月数据，全局训练的神经网络也能对未见于训练集中的个股与投资组合给出稳健预测。此外，我们对模型动态的解读表明，这些网络不仅捕捉波动率的关键典型事实，且对离群值具有韧性，并能快速适应市场状态变化。这些发现凸显了在金融预测中利用广泛多样数据集的重要性，并倡导从传统局部训练方法转向集成全局估计方法。