Realised Volatility Forecasting: Machine Learning via Financial Word Embedding
创建于 更新于
摘要
本文构建并评估了一种以金融领域词向量为核心、基于CNN的新闻驱动实现波动率（RV）预测框架。研究发现：仅用新闻的NLP模型在统计上可与HAR家族基准接近，但总体损失较高，且表现具有明显的状态依赖性——在高波动日新闻信息更有价值；专门的金融词向量（FinText）对个股新闻表现优于通用向量，而通用向量在一般性热点新闻上更具竞争力；将新闻信号与最优HAR基准（CHAR）做简单平均的ensemble可带来一致的统计和经济收益，将平均MSE比降至约0.961并将实现效用提高到约2.9321%（CHAR为2.7540%），说明新闻更适合作为对历史波动率模型的补充而非替代 [page::3][page::33]
