Deep Learning and Transformer Architectures for Volatility Forecasting: Evidence from U.S. Equity Indices
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Volatility forecasting plays a crucial role in financial markets, portfolio management, and risk control. Classical econometric models such as GARCH, ARIMA, and HAR-RV are widely used but face limitations in capturing the nonlinear and regime-dependent dynamics of financial volatility. This study compares traditional econometric models (HAR-RV, ARIMA, GARCH) with deep learning (DL) architectures (LSTM, CNN-LSTM, PatchTST-lite, and Vanilla Transformer) in forecasting realized variance (RV) for major U.S. equity indices (S&P 500, NASDAQ 100, and the Dow Jones Industrial Average) over the period 2000–2025. RV is used as the dependent variable because it is a standard model-free proxy for market volatility. Forecast accuracy is evaluated across forecast horizons of h = 1, 5, 22 days using QLIKE, RMSE, and MAE, along with Diebold–Mariano (DM) significance tests and overfitting diagnostics. Results show that Transformer-based models achieve the lowest errors and strongest generalization, particularly at short horizons and during volatile periods. Overall, the findings highlight the growing advantage of AI-driven models in delivering stable and economically meaningful volatility forecasts, supporting more effective portfolio allocation and risk management—especially in environments marked by rapid market shifts and structural breaks.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle