Deep Learning and Transformer Architectures for Volatility Forecasting: Evidence from U.S. Equity Indices
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.
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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».