摘要
为了探究风险中性偏度和历史偏度的信息含量及其对已实现波动率的预测能力,以S&P 500指数为研究对象构建出4个偏度指标,基于单个机器学习算法,提出数据驱动的窗口平均集成预测方法来克服市场结构突变导致的模型不确定性问题.经实证研究发现:风险中性偏度的预测能力整体上优于基于日数据和日内高频数据的历史偏度指标;在预测方法上,非线性支持向量回归(SVR)预测效果优于线性最小二乘估计和带惩罚项的线性回归,且基于SVR的窗口平均集成方法对波动率的预测效果最优.
基金项目
国家自然科学基金(72001180)
教育部人文社会科学研究项目(17YJC790119)
中央高校基本科研业务费学科交叉研究专项(2682021ZTPY077)
西南交通大学一流本科课程《金融数学》建设项目(YK20201140)
国家科技期刊平台
NSTL
万方数据