Unified GARCH-Recurrent Neural Networks in Financial Volatility Forecasting
创建于 更新于
摘要
本文提出一种将GARCH(1,1)波动率更新嵌入RNN单元（GARCH-GRU 与 GARCH-LSTM）的统一框架，实现了可解释的经济学参数保留与神经网络的非线性时序学习。实证上，在三个美股指数的严格滚动窗外样本测试中，嵌入式GARCH-RNN在MSE、MAE、SMAPE及OOS R^2等多项指标上均显著优于经典GARCH、流水线式混合模型和Transformer，且GARCH-GRU在精度-效率权衡上最优（训练速度约为GARCH-LSTM的1/2.76），在压力期（COVID-19）仍保持良好VaR校准与Pinball损失表现，表明该统一设计在准确性、可解释性与鲁棒性间取得平衡 [page::0][page::14][page::20][page::23]
