Graph Signal Processing for Global Stock Market Realized Volatility Forecasting
创建于 更新于
摘要
本报告提出基于图信号处理（GSP）技术扩展HAR模型的全球股票市场实现波动率（RV）预测新框架。通过磁性拉普拉斯算子进行图傅里叶变换，实现对波动率溢出效应的时空及频谱域建模。采用可学习卷积滤波器捕捉中长期历史波动模式，实验基于24个全球股指的3500个交易日数据，结果显示新模型在短中长期RV预测上均优于HAR及图神经网络HAR等基准模型，且动态图设计（d-GSPHAR）进一步提升预测精度，证明了GSP技术在金融波动率建模中的有效性和扩展潜力 [page::0][page::7][page::14][page::19][page::21]。
