Ожидание премии за рыночный риск: сочетание теории опционов с традиционными прогнозами
Хун Лю (Вашингтонский университет в Сент-Луисе) и др.
декабрь 2022 г.
В целом, разница между нижней границей Мартина (основанной исключительно на ценах опционов) и рыночной премией за риск зависит от переменных экономического состояния. Эмпирически мы обнаружили, что объединение информации о ценах опционов и переменных экономического состояния дает прогнозы премии за рыночный риск с более высокими показателями за пределами выборки по сравнению с прогнозами, использующими только цены опционов или только переменные экономического состояния. Кроме того, эти прогнозы на основе комбинаций могут значительно повысить полезность инвесторов за счет улучшения коэффициентов Шарпа их портфелей. Наши результаты показывают важность объединения информации о ценах опционов и переменных экономического состояния.

Гибкие комбинации глобальных прогнозов
Илинь Цянь (Сиднейский университет) и др.
апрель 2023 г.
Аннотация Комбинация прогнозов — агрегирование отдельных прогнозов нескольких экспертов или моделей — является проверенным подходом к экономическому прогнозированию. На сегодняшний день исследования в области экономического прогнозирования сосредоточены на локальных комбинированных методах, которые решают отдельные, но связанные задачи прогнозирования изолированно. Тем не менее, уже более двух десятилетий в сообществе машинного обучения известно, что глобальные методы, использующие связанность задач, могут улучшить локальные методы, которые ее игнорируют. В этой статье, мотивированной возможностью улучшения, представлена ​​структура для глобального объединения прогнозов, сохраняющая при этом гибкость в зависимости от уровня связанности задач. С помощью нашей структуры мы разрабатываем глобальные версии нескольких существующих комбинаций прогнозов. Чтобы оценить эффективность этих новых комбинаций глобальных прогнозов, мы проводим обширные сравнения, используя синтетические и реальные данные. Наши сравнения реальных данных, которые включают прогнозы основных экономических показателей в еврозоне, предоставляют эмпирические доказательства того, что точность глобальных комбинаций экономических прогнозов может превосходить локальные комбинации.

Эмпирическое ценообразование активов с вероятностными прогнозами
Сонгрун Хэ (Вашингтонский университет в Сент-Луисе) и др.
февраль 2024 г.
Мы изучаем вероятностные прогнозы в контексте перекрестного ценообразования активов с большим количеством характеристик фирмы. Эмпирически мы обнаружили, что простая модель вероятностного прогнозирования может неожиданно работать так же хорошо, как и сложная модель вероятностного прогнозирования, и все они создают длинные и короткие портфели, коэффициенты Шарпа которых сопоставимы с коэффициентами широко используемых прогнозов доходности. Более того, мы показываем, что сочетание вероятностных прогнозов с прогнозами доходности дает более высокую эффективность портфеля по сравнению с использованием каждого типа прогнозов по отдельности, предполагая, что вероятностные прогнозы предоставляют ценную информацию помимо прогнозов доходности для нашего понимания поперечного сечения доходности акций.

Комбинация прогнозов в частотной области
Гонсалу Фариа (Католический университет Португалии и Фабио Верона (Банк Финляндии)
февраль 2023 г.
Мы предлагаем новый метод прогнозирования – комбинацию прогнозов в частотной области – который учитывает тот факт, что предсказуемость зависит от времени и частоты. Мы используем этот метод для прогнозирования премии по акциям и темпов роста реального ВВП. Объединение прогнозов в частотной области дает заметно более точные прогнозы по сравнению со стандартной комбинацией прогнозов во временной области, как с точки зрения статистических, так и экономических показателей предсказуемости вне выборки. При прогнозировании в режиме реального времени гибкость этого метода позволяет очень хорошо фиксировать внезапные и резкие падения, связанные с рецессией, и еще больше повысить предсказуемость.

Прогнозирование риска криптовалют: сравнение и сочетание моделей GARCH и стохастической волатильности
Ян Прюзер (Технический университет Дортмунда)
Январь 2023 г.
Мы обеспечиваем сравнение нескольких моделей GARCH и стохастической волатильности для прогнозирования риска криптовалют. Оказывается, широко используемый GARCH(1,1) не обеспечивает точных прогнозов риска. Напротив, добавление t-распределенных инноваций или учет изменений режима повышает точность в обоих классах моделей. Более того, мы обнаружили, что модели стохастической волатильности с марковским переключением работают особенно хорошо. Наконец, мы рассматриваем байесовский подход, основанный на принятии решений, с обучением со скидкой для объединения различных моделей и предоставления убедительных доказательств того, что объединение прогнозов модели приводит к точному объединенному риску.

Структурный подход к объединению прогнозов внешней модели и модели DSGE
Торстен Драуцбург (Федеральный резервный банк Филадельфии)
июнь 2023 г.
В этой записке показано, что объединение внешних прогнозов, таких как опрос профессиональных прогнозистов, может значительно повысить точность прогнозов DSGE, сохраняя при этом интерпретируемость с точки зрения структурных потрясений. Применительно к псевдореальному времени, начиная с 1997q2, каноническая модель Smets and Wouters (2007) имеет значительно меньшие ошибки прогноза, когда придается высокий вес прогнозам SPF. Включение прогноза SPF придает большую роль шокам премий за риск во время мирового финансового кризиса. Модель с финансовыми трудностями дает больший вес прогнозу модели DSGE.

Научитесь использовать R для анализа портфеля
Количественная аналитика инвестиционного портфеля в R:
Введение в R для моделирования риска и доходности портфеля
Джеймс Пицерно