金融市场中的记忆性、粗糙性与信息持续性：波动率预测的结构性方法
统计金融
2026-05-26 v1 机器学习
摘要
本文研究了长记忆动态、粗糙波动行为以及基于持续性的预测特征在股票波动率建模中的共同作用。我们结合了半参数长记忆估计、粗糙波动率诊断和结构化预测回归，以检验持续性度量是否包含超越传统波动率预测因子的具有经济意义的预测信息。使用2001年11月至2026年4月期间115只标普500成分股的面板数据，我们记录了波动率代理指标表现出显著的长记忆行为和局部粗糙动态。记忆参数的横截面平均Geweke-Porter-Hudak估计值为，而相应的局部Whittle估计值为，在几乎整个面板中观察到统计显著性。滚动估计的持续性在全球金融危机和COVID期间大幅上升，并与VIX呈正同期关联。然后，我们检验了与持续性相关的特征是否能在标准HAR和HAR-X基准之外改善样本外波动率预测。纳入横截面持续性聚合、行业持续性度量以及持续性-压力交互项产生了适度但统计显著的预测改进，尤其是在较长预测期和压力制度下。预测增益在市场波动加剧时期和波动率管理投资组合应用中最为强劲。结果表明，持续性度量可作为金融市场不确定性持续时间和传播的有用简化形式指标，尽管本文并未声称对产生持续性的经济机制进行结构性识别。
引用
@article{arxiv.2605.24285,
title = {Memory, Roughness, and Information Persistence in Financial Markets: A Structural Approach to Volatility Forecasting},
author = {Akash Deep and Nicholas Appiah and Svetlozar T. Rachev},
journal= {arXiv preprint arXiv:2605.24285},
year = {2026}
}