Improving stock market volatility forecasts with complete subset linear and quantile HAR models
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216224%3A14560%2F21%3A00122736" target="_blank" >RIV/00216224:14560/21:00122736 - isvavai.cz</a>
Výsledek na webu
<a href="https://www.sciencedirect.com/journal/expert-systems-with-applications" target="_blank" >https://www.sciencedirect.com/journal/expert-systems-with-applications</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1016/j.eswa.2021.115416" target="_blank" >10.1016/j.eswa.2021.115416</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Improving stock market volatility forecasts with complete subset linear and quantile HAR models
Popis výsledku v původním jazyce
Volatility forecasting plays an integral role in risk management, investments and security valuation for all assets with uncertain future payoffs. We enrich the literature by presenting computationally intensive variations of the heterogeneous autoregressive (HAR) volatility model: the complete subset linear/quantile regression HAR models, HAR-CSLR and HAR-CSQR. Predictions of 1-to 22-day-ahead volatility of four major market indices (NIKKEI 225, S&P 500, SSEC and STOXX 50) show that both models tend to outperform several benchmark HAR models. Forecasting accuracy improvements tend to stabilize for longer forecasting horizons: e.g., fiveday-ahead improvements range from 6.57% (SSEC) to 35.62% (NIKKEI 225) and from 3.99% (STOXX) to 9.54% for mean square error (MSE) and QLIKE loss functions. In terms of MSE, the HAR-CSQR model outperforms several standard benchmark HAR models across all market indices and forecast horizons.
Název v anglickém jazyce
Improving stock market volatility forecasts with complete subset linear and quantile HAR models
Popis výsledku anglicky
Volatility forecasting plays an integral role in risk management, investments and security valuation for all assets with uncertain future payoffs. We enrich the literature by presenting computationally intensive variations of the heterogeneous autoregressive (HAR) volatility model: the complete subset linear/quantile regression HAR models, HAR-CSLR and HAR-CSQR. Predictions of 1-to 22-day-ahead volatility of four major market indices (NIKKEI 225, S&P 500, SSEC and STOXX 50) show that both models tend to outperform several benchmark HAR models. Forecasting accuracy improvements tend to stabilize for longer forecasting horizons: e.g., fiveday-ahead improvements range from 6.57% (SSEC) to 35.62% (NIKKEI 225) and from 3.99% (STOXX) to 9.54% for mean square error (MSE) and QLIKE loss functions. In terms of MSE, the HAR-CSQR model outperforms several standard benchmark HAR models across all market indices and forecast horizons.
Klasifikace
Druh
J<sub>imp</sub> - Článek v periodiku v databázi Web of Science
CEP obor
—
OECD FORD obor
50206 - Finance
Návaznosti výsledku
Projekt
—
Návaznosti
S - Specificky vyzkum na vysokych skolach
Ostatní
Rok uplatnění
2021
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název periodika
Expert Systems with Applications
ISSN
0957-4174
e-ISSN
1873-6793
Svazek periodika
183
Číslo periodika v rámci svazku
November
Stát vydavatele periodika
NL - Nizozemsko
Počet stran výsledku
11
Strana od-do
1-11
Kód UT WoS článku
000691769900005
EID výsledku v databázi Scopus
2-s2.0-85109394941