Stochastic Volatility and GARCH: Do Squared End-of-Day Returns Provide Similar Information?
Notice bibliographique
Résumé
The paper examines the relative performance of Stochastic Volatility (SV) and GARCH(1,1) models fitted to twenty plus years of daily data for three indices. As a benchmark, I use the realized volatility (RV) for the S&P 500, DOW JONES and STOXX50 indices, sampled at 5-minute intervals, taken from the Oxford Man Realised Library. Both models demonstrate comparable performance and are correlated to a similar extent with the RV estimates, when measured by OLS. However, a crude variant of Corsi’s (2009) Heterogenous Auto-Regressive (HAR) model, applied to squared demeaned daily returns on the indices, appears to predict the daily RV of the series, better than either of the two base models. The base SV model was then enhanced by adding a regression matrix including the first and second moments of the demeaned return series. Similarly, the GARCH(1,1) model was augmented by adding a vector of demeaned squared returns to the mean equation. The augmented SV model showed a marginal improvement in explanatory power. This leads to the question of whether we need either of the two standard volatility models, if the simple expedient of using lagged squared demeaned daily returns provides a better RV predictor, at least in the context of the indices in the sample. The paper thus explores whether simple rules of thumb match the volatility forecasting capabilities of more sophisticated models.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,017 | 0,083 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,004 | 0,009 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».