HAR残差简化未能提升LSTM波动率预测
热点事件持续更新
HAR残差简化未能提升LSTM波动率预测
1 篇报道1 个报道来源2 小时前更新
先了解这件事
AI 综述
一项针对五类高流动性美国资产的短周期波动率预测研究发现，统计上更简单的残差并不等于神经网络更容易学习。Bingqi Lian 等作者在论文中称，HAR 类模型优于 AR、MA 和 ARIMA，其拟合残差方差比目标低约 82%，滚动样本外 HAR 误差方差降低约 74%。 但用 LSTM 对 HAR 残差做增强后，平均 MSE 反而从 0.3049 升至 0.3594，且五类资产全部恶化。作者将这一现象称为“预测器—预处理器不对称”：第一阶段预测成功和统计残差简化，未必能转化为对下游神经网络的有利预处理。
AI 根据报道生成 · 1 小时前更新
最新进展10月5日 12:00
信号简化不等于预测简化：诊断短周期波动率预测中的残差神经网络报道时间线
沿着报道，了解事件的不同侧面。
10月5日
- arXiv：cs.LG信号简化不等于预测简化：诊断短周期波动率预测中的残差神经网络
一项针对五类高流动性美国资产的短周期波动率预测研究发现，统计第一阶段成功并不保证残差目标更易学习。HAR 类模型优于 AR、MA 和 ARIMA，其拟合残差方差比目标低约 82%，滚动样本外 HAR 误差方差降低约 74%，但残差 LSTM 增强反而使平均 MSE 从 0.3049 升至 0.3594，且每类资产均恶化。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。