Network Time Series Models for Multivariate Volatility Forecasting

技术摘要：用于多元波动率预测的网络时间序列模型

问题陈述
准确预测已实现波动率（Realized Volatility, RV）对于金融风险管理和决策至bigcap重要。虽然异质自回归（HAR）模型因其简洁性以及捕捉日、周、月波动率组件的能力，已成为单变量 RV 预测的标准基准，但将该框架扩展到多元设定面临着挑战。传统的多元方法（如向量 HAR 或 VHE 模型）在资产数量增加时，往往会受到过度参数化的影响，导致估计不稳定。此外，现有的多元模型通常无法以简洁的方式显式地纳入关于截面溢出效应和资产间网络依赖性的先验信息。虽然基于图的方法已被应用于已实现协方差矩阵（HAR-DRD），但将其直接应用于已实现方差过程的向量研究仍有待深入探索。

方法论
作者提出了**广义网络异质自回归（GNHAR）**模型，该模型将 HAR 模型的层次化多时界结构与广义网络自回归（GNAR）过程相结合。

1. 模型设定：

   • GNHAR 模型通过结合自回归项与基于网络的滞后项，对对数转换后的已实现方差向量 $X_t$ 进行预测。
   • 它利用一个图 $G = (V, E)$，其中节点代表资产，边代表溢出效应。
   • 该模型纳入了日、周、月聚合组件（$X^{(d)}, X^{(w)}, X^{(m)}$），并通过加权邻接矩阵 $W^{(r)}$ 允许高达特定阶段（$s^{(d)}, s^{(w)}, s^{(m)}$）的网络依赖性。
   • 采用了两种参数化策略：个体-$\alpha$（节点特有的自回归系数）和全局-$\alpha$（各节点通用的系数），其中后者在参数简洁性方面具有显著优势（$O(p + \sum s_l)$ 对比标准 VAR 的 $O(pN^2)$）。

2. 扩展：

   • 跳跃-连续分解（JC-GNHAR）： 该框架被扩展用于分别对 RV 的连续路径和跳跃组件进行建模，遵循 Andersen 等人（2007）的方法。这使得能够解构由连续信息流驱动的波动溢出与由突然价格跳跃驱动的波动溢出。
   • 外生变量（GNHARX）： 模型被推广到包含节点特有的外生过程，特别是期权隐含方差（IV），从而实现了前瞻性市场预期的整合。

3. 网络构建：

   • 研究评估了四种类型的网络结构：
     • 全连接（Fully Connected）： 假设统一的相互依赖性。
     • 格兰杰因果（Granger Causal, GC）： 通过格兰杰因果检验推导出的有向图（采用了 Benjamini–Hochberg 或 Bonferroni 校正）。
     • 连通性指数（Connectedness Index, CI）： 源自 Diebold-Yilmaz 连通性指数的有向加权图，捕捉直接和间接的冲击传播。
   • 网络通过滚动窗口动态构建，以捕捉随时间变化的依赖关系。

4. 实验设计：

   • 数据： 使用了从 2013 年 8 月到 2022 年 1 月的 10 个全球股票市场指数（美国、欧盟、亚洲、印度）的 5 分钟已实现方差数据。
   • 评估： 使用滚动窗口法（1000 天）生成不同预测时界 $h = 1, 5, 10, 22, 44$ 的样本外预测。
   • 指标： 通过平均绝对预测误差（MAFE）和平均平方预测误差（MSFE）评估性能。统计显著性通过模型置信集（MCS）和 Diebold-Mariano（DM）检验进行测试。

关键结果

• 预测性能： 在所有时界和网络结构下，GNHAR 模型一致优于单变量 HAR 基准模型。随着预测时界的增加，性能差距扩大，表现最好的网络模型在 $h=44$ 时相比基准模型，MAFE 降低了高达 40%。
• 最优配置：
  • 全局-$\alpha$ vs. 个体-$\alpha$： 全局-$\alpha$ 设定显著优于个体-$\alpha$ 设定，后者通常不稳定并被排除在模型置信集之外。
  • 网络选择： 基于 CI22（时界为 22 的连通性指数）的网络模型通常产生最低误差。这表明较长时界的连通性度量能更好地过滤日常噪声，并捕捉持久的系统性关系。
  • 网络阶数： 阶数 $(1, 0, 1)$（纳入日度和月度网络依赖）通常产生最佳结果，尤其是在短期预测中。
• 跳跃-连续分解：
  • 当与加权网络（CI1, CI22）结合使用时，JC-GNHAR 模型显著优于基准模型，在 $h=1$ 时 MAFE 降低了高达 38%。
  • 然而，在配置错误（如个体-$\alpha$）的情况下，标准的 GNHAR 模型更具鲁棒性。DM 检验表明，虽然 JC-GNHAR 在最优设置下（如 CI22 上的全局-$\alpha$）可以优于 GNHAR，但标准的 GNHAR 在各种配置下通常更为稳定。
• 外生变量： 研究探讨了通过 GNHARX 框架引入期权隐含方差（IV）。研究发现，全局-$\lambda$ 设定优于个体-$\lambda$ 设定，且外生变量的高阶滞后会导致数值不稳定。

意义与主张
本文声称提供了一种简洁的多元时间序列设定，该设定通过有向图显式地纳入了截面溢出效应。与过度参数化的向量自回归模型不同，GNHAR 方法提供了一组精简的参数，可以追踪跨市场依赖性的增强或减弱，从而为市场稳定性提供随时间变化的定量评估。

作者强调了三个主要贡献：

1. 直接向量建模： 将网络时间序列框架直接应用于已实现方差过程的向量，而非仅仅是协方差矩阵。
2. 新颖分析： 调查了跳跃-连续分解与图形配置之间的相互作用，并考察了作为外生过程的节点特有期权隐含方差的作用。
3. 可解释性： 提供了一个框架，其估计系数可以为单个资产动态及其相互作用的大小提供见解，从而阐明在平静时期和金融危机（如 COVID-19 爆发）期间层次化 HAR 组件的作用。

研究结论认为，与基准 HAR 框架相比，基于网络的线性模型不仅能更有效地解释资产间的相互联系，而且通过避免非线性图神经网络常见的过拟合问题，同时保持了可解释性。