) In this paper we propose a nonlin

) In this paper we propose a nonlinear long-memory time series model for realized
volatility that incorporates all well-known stylized facts from the (GARCH) volatility
literature, in particular level shifts, day-of-the-week e_ects, leverage e_ects and
volatility level e_ects. The model, as well as several restricted versions, are estimated
for the S&P 500 index and three exchange rates.
The in-sample results show that all nonlinearities are highly signi_cant and improve
the description of the data. The out-of-sample results show that for shorter
horizons, up to 10 days, accounting for these nonlinearities signi_cantly improves the
forecast performance compared to a linear ARFI model. Such short-term volatility
forecasts are especially useful for short-term risk management, including Value-at-
Risk. For longer horizons no bene_t is obtained from incorporating nonlinearities.
The most important nonlinearities are the leverage e_ect for the S&P 500 index,
and the leverage e_ect as well as the day-of-the-week e_ects for the exchange rates.
The best way to incorporate the e_ects of lagged daily returns is to include them
as exogenous regressors, i.e. outside the long memory _lter. Not important for the
forecast performance is allowing the persistence of shocks to depend on the level of
volatility, and modeling the level shifts for the S&P 500 index.

ผลลัพธ์ (ไทย) 2:

)
ในบทความนี้เรานำเสนอเป็นเวลานานหน่วยความจำรูปแบบชุดไม่เชิงเส้นสำหรับตระหนักถึงความผันผวนที่ประกอบด้วยข้อเท็จจริงเท่ทุกที่รู้จักกันดีจาก(GARCH)
ความผันผวนของวรรณกรรมในการเปลี่ยนแปลงระดับโดยเฉพาะอย่างยิ่งe_ects วันของสัปดาห์งัด e_ects และ
e_ects ระดับความผันผวน รูปแบบเช่นเดียวกับรุ่น จำกัด
หลายประมาณสำหรับS & P 500 และดัชนีสามอัตราแลกเปลี่ยน.
ผลในตัวอย่างแสดงให้เห็นว่าทุกคนมีความ nonlinearities สูง signi_cant
และปรับปรุงรายละเอียดของข้อมูล ผลการออกจากกลุ่มตัวอย่างที่แสดงให้เห็นว่าสั้นอันไกลโพ้น แต่ไม่เกิน 10 วันคิดเป็น nonlinearities signi_cantly เหล่านี้ช่วยเพิ่มประสิทธิภาพการคาดการณ์เมื่อเทียบกับรูปแบบเชิงเส้นARFI ความผันผวนในระยะสั้นเช่นการคาดการณ์ที่มีประโยชน์อย่างยิ่งสำหรับการบริหารความเสี่ยงในระยะสั้นรวมทั้งมูลค่าAT-ความเสี่ยง สำหรับอันไกลโพ้นอีกต่อไปไม่มี bene_t จะได้รับจากการใช้มาตรการ nonlinearities. nonlinearities ที่สำคัญที่สุดคือ e_ect ใช้ประโยชน์สำหรับ S & P 500 ดัชนีและe_ect ยกระดับเช่นเดียวกับ e_ects วันของสัปดาห์สำหรับอัตราแลกเปลี่ยน. วิธีที่ดีที่สุด รวม e_ects ของผลตอบแทน lagged ในชีวิตประจำวันคือการรวมพวกเขาเป็นregressors ภายนอกเช่นนอกหน่วยความจำระยะ _lter ที่สำคัญไม่ได้สำหรับผลการดำเนินงานที่คาดการณ์จะช่วยให้ความคงทนของแรงกระแทกที่จะขึ้นอยู่กับระดับของความผันผวนและการสร้างแบบจำลองการเปลี่ยนแปลงระดับสำหรับS & P 500 ดัชนี

ผลลัพธ์ (ไทย) 3:

ในกระดาษนี้เราเสนอรูปแบบอนุกรมเวลาแบบยาวหน่วยความจำที่ประกอบด้วยทั้งหมดที่รู้จักกันดีว่า
ผวนสุกใสข้อเท็จจริงจาก ( ของ ) วรรณกรรม (
, เลื่อนระดับโดยเฉพาะวันของสัปดาห์ e_ects e_ects , งัดและ
e_ects ระดับความผันผวน . รูปแบบเช่นเดียวกับหลาย ๆรุ่น จำกัด , ประมาณ
สำหรับ S & P 500 ดัชนีอัตราแลกเปลี่ยน
3 .ในตัวอย่างที่แสดงผลทั้งหมด nonlinearities สูง signi_cant และปรับปรุง
รายละเอียดของข้อมูล ออกจากผลตัวอย่างแสดงให้เห็นว่าขอบเขตสั้น
ถึง 10 วัน , การบัญชีสำหรับ nonlinearities เหล่านี้ signi_cantly ปรับปรุงประสิทธิภาพเมื่อเทียบกับรุ่นเดิม
arfi เชิงเส้น เช่น ความผันผวนระยะสั้นคาด
มีประโยชน์โดยเฉพาะอย่างยิ่งสำหรับบริหารความเสี่ยงระยะสั้นรวมทั้งค่า -
ความเสี่ยง นาน ( ไม่ bene_t ได้รับจากท่าน nonlinearities .
nonlinearities สิ่งสำคัญที่สุดคือ e_ect leverage สำหรับ S & P 500 ดัชนี ,
และ e_ect ประโยชน์รวมทั้งวันของสัปดาห์ e_ects สำหรับอัตราแลกเปลี่ยน .
วิธีที่ดีที่สุดที่จะรวม e_ects ล้าหลังผลตอบแทนทุกวันคือการรวมของพวกเขา
เป็น regressors ภายนอก ได้แก่นอก _lter ความจำยาว ไม่สําคัญสําหรับ
ประสิทธิภาพพยากรณ์ให้ความคงทนของการกระแทกจะขึ้นอยู่กับระดับของ
ความผันผวน และแบบจำลองระดับกะสำหรับ S &
P 500 ดัชนี .