GPR驱动的随机波动率模型：显著优于GARCH，外生变量增强效果显著

本文探讨了波动率预测与解释变量在随机波动率模型中的关键应用，特别是在金融领域中对资产价格变动的不确定性进行建模。作者们提出了一种创新的方法——基于高斯过程回归（Gaussian Process Regression，GPR）的随机波动率（GPSV）模型，该模型在预测样本外波动性方面展现了显著的优势。 GPR作为一种非参数统计技术，它允许数据驱动的函数拟合，无需预先设定特定的函数形式。这使得GPSV模型在处理复杂性和灵活性上超越了传统的随机波动率模型（如Heston模型或标准的GARCH模型），特别是对于长时期的预测，其预测精度更高。这种方法的一个主要优点是可以直接整合任意类型的协变量，这些协变量可能包括宏观经济指标、市场情绪、政策变化等多种因素，增强了模型的解释能力和预测准确性。 通过模拟和实证分析，研究结果显示出GPSV模型在样本外波动率预测上的优越性，比如在2007-09年的金融危机期间，相比于基于简单波动率范围的模型，GPSV模型结合外生变量可以显著降低误差率，提升了约26%的一年期样本外预测准确度。这种外生变量的引入证明了外部信息对波动率预测的积极影响，使得模型能够更好地捕捉到市场的动态变化。 本文提出了一种在金融时间序列分析中颇具吸引力的Bayesian方法，即GPSV模型，它不仅提高了波动率预测的精准度，还具有强大的适应性，可以灵活地处理多种解释变量，为投资者和分析师提供了更精确的市场风险评估工具。这对于理解金融市场动态和制定投资策略具有重要的实践价值。