结构化连续时间SDE改进已实现GARCH的积分方差预测

01 摘要

作者提出结构化连续时间随机波动率模型，用于预测未来一日积分方差，核心是将 jointly evolving 的已实现测度状态直接接入潜在方差动态，并以相关布朗运动表示与收益相关的依赖。参数通过基于模拟的预测学习估计，积分方差预测由蒙特卡洛模拟完成。作者报告在17个股指上相对GARCH、GARCH-It^o、Realized GARCH、HAR与HEAVY等基准取得较强的样本外表现，消融显示已实现测度反馈贡献显著，收益联动布朗依赖贡献较小；上述结论均为作者基于其设定与数据集的报告，尚需独立验证。

02 关键点

1. 模型在连续时间框架下引入与潜在方差共同演化的已实现测度状态，并将相关布朗创新用于刻画收益联动依赖。
2. 预测目标为未来一日积分方差，估计采用基于模拟的预测学习，预测由蒙特卡洛模拟生成。
3. 在17个股指的样本外比较中，QLIKE、MSE与MAE指标下优于GARCH、GARCH-It^o、Realized GARCH、HAR与HEAVY基准；消融显示已实现测度反馈的增量价值大于收益联动布朗依赖。