💻 computer science

Forecasting Global Volatility Across Asynchronous Markets: Incremental Accuracy from Constrained Cross-Market Attention

本文介绍了 PGA-Trans-HAR，这是一种结合了原点容许跨市场注意力与约束空间限制的新型预测框架，通过有效过滤来自封闭交易所的伪信号，显著提升了异步市场（特别是在中长期维度下）的全局波动率预测能力。

原作者： Xinlin Zhao, Haotian Qiao, Ziyao Lin

发布于 2026-08-27

📖 1 分钟阅读☕ 轻松阅读

原作者： Xinlin Zhao, Haotian Qiao, Ziyao Lin

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

预测股票价格的波动幅度是金融领域最关键的任务之一。投资者、银行和保险公司依赖这些预测来决定他们可以承担多少风险、如何为复杂的合约定价，以及如何保护他们的储蓄。几十年来，这项工作的标准工具是一种观察单一市场自身历史的方法，该方法假设今天的波动很大程度上反映了昨天、上周和上个月的动荡。这种方法之所以有效，是因为股票市场往往具有“粘性”；一旦开始剧烈波动，它们通常会持续震荡一段时间。然而，世界是互联互通的。当纽约的一个主要市场发生崩盘时，它往往会向伦敦、东京和悉尼发送冲击波。对于预测者来说，挑战在于如何利用这些全球信号，而不至于被“世界并不运行在单一同步时钟下”这一事实所困扰。

问题在于国际股票交易所运行在不同的时间表上。当纽约证券交易所因节假日关闭时，东京市场可能正在营业，或者伦敦市场可能正在提前收市。如果计算机模型试图同时观察所有这些市场，它就会面临一个令人困惑的缺口：由于交易所关闭而非市场平静，导致某些数据点缺失。如果模型将关闭的市场视为活动量为零，它就会制造虚假信息。如果它简单地忽略掉这些关闭的日子，它就会破坏时间线并丢失宝贵的背景信息。这创造了一个根本性的谜题：如何构建一个既能从世界其他地方学习，又不会在无意中窥探未来或将节假日误解为平静时刻的模型？

研究人员建立了一个新的预测系统来解决这个谜题，该系统尊重这些时间差异，并仔细决定哪些全球信号是真正有用的。他们并没有试图用一个试图从零开始猜测一切的庞大、复杂的人工智能来取代那些受信任的简单方法，而是创建了一个混合系统，该系统使用一个经过验证的简单模型作为坚实的基础，并在其之上添加了一个非常特定且严谨的全球信息层。他们的目标是观察观察其他国家是否有助于提升预测，但前提是这种观察必须严格遵守时间的规则。

研究人员使用来自全球八个主要股票指数（包括美国、德国、日本和中国）的每日数据对他们的系统进行了测试，涵盖了从2006年到2022年的时期。该数据集包含了许多不同的市场状况，从稳步增长到严重的金融危机。他们将这种新方法与标准的单一市场方法以及几种试图在没有严格规则的情况下学习全球数据的复杂模型进行了对比。结果显示，这种严谨的方法比标准方法效果更好。通过仔细过滤掉关闭市场的噪声，并仅使用在预测时刻实际可用的信息，他们的系统减少了预测误差。这种改进在他们研究的几乎所有市场中都是一致的，特别是在观察提前一天、五天和二十二天时。

该系统的成功之处不仅在于其观察其他国家的能力，还在于它如何决定观察什么。研究人员为每个市场构建了一个“闸门”，该闸门学习在多大程度上给予全球信号相对于其自身历史的权重。他们发现，对于短期预测（如提前一天观察），当系统过度依赖市场的近期历史并仅使用少量全球信息时，效果最好。然而，随着预测窗口延伸到一周或一个月，系统学会了更多地依赖不同国家之间的联系。这表明，虽然市场的自身动量是次日预测的最强驱动力，但全球趋势的影响对于理解长期图景变得更加重要。

研究还表明，仅仅增加复杂性并不总是能带来更好的结果。当他们测试一个尝试在没有任何严格规则或“闸门”的情况下从全球数据中学习的系统版本时，其表现不如那个更简单、更严谨的版本。复杂模型容易被数据中的噪声所迷惑，将随机波动误认为是有意义的模式。研究人员发现，最好的方法是将核心预测锚定在一个可靠的、简单的基准之上，并只允许全球信息进行微小且受控的调整。这种方法防止了模型对临时噪声的过度反应，同时仍能捕捉到市场相互影响的真实方式。

其中一个最重要的发现是，利用全球数据带来的改进并不是统一的。该系统并未成为对每一个市场在每一天都完美的预测器。在某些情况下，标准方法仍然同样有效，并且在少数特定实例中，新系统的准确性略低。然而，在观察所有八个市场和所有时间范围的平均表现时，新系统始终比标准方法产生更准确的预测，并且优于其他复杂模型。统计检验证实，这些改进并非仅仅是运气好，而是真正的预测能力提升。

研究人员还发现，处理来自关闭市场的缺失数据的方式至关重要。通过将关闭的市场视为“缺失”而非“零”，并确保模型永远不会使用未来的信息，他们避免了困扰许多预测尝试的常见陷阱。这种对时间规则的严格遵守，意味着模型是以一种可以实际用于预测未来的方式从过去学习的。研究结论认为，在嘈观且混乱的金融世界中，最有效的工具往往不是最复杂的工具，而是那些受到严格约束以尊重可用信息限制的工具。通过将坚实的、简单的基础与对世界其他地区进行有纪律的、基于规则的观察相结合，人们可以更清晰地洞察未来。

技术摘要：跨异步市场的全球波动率预测

1. 问题定义

本文探讨了在全球股票市场中预测多元实现波动率（realized volatility）的一个根本性挑战，即这些市场的交易日历具有异步性。国际交易所运行在不同的节假日安排下，这导致在任何给定日期，某些市场处于开市状态而其他市场则处于休市状态，从而形成了一个“并集日历”（union calendar）。

这种异步性为预测引入了两个关键问题：

信息集违规（Information-Set Violation）： 传统方法通常会截断非共同交易日（导致信息丢失）或用零值填充缺失数据（注入噪声）。至关重要的是，在多步预测中，如果预测集未在预测起点（ $o = t - h$ ）处受到严格限制，模型可能会在无意中引入未来信息。
高维空间中的过拟合： 近期文献采用了复杂的机器学习架构（如 STGNNs、Transformers）来捕捉非线性溢出效应。然而，金融波动率的信噪比极低。在这样的环境下，不受约束的神经网络容易过拟合瞬时的交易噪声，而非学习稳健的经济联系，并且由于使用静态的全样本协方差矩阵，往往会违反严格的样本外信息边界。

核心研究问题不在于复杂的神经网络是否能在无条件下优于线性模型，而在于经过精心正则化的、符合预测起点准则的跨市场信息，是否能在既有的波动率模型基础上，产生统计学上显著的增量预测准确度。

2. 方法论：PGA-Trans-HAR 框架

作者提出了一种名为 PGA-Trans-HAR 的简约混合预测系统，旨在测试受约束的跨市场信息的价值。该架构集成了一个冻结的、强力的计量经济学基准模型与一个受限的神经修正项，并受四个特定结构化限制的控制：

A. 符合预测起点的信息对齐

系统在并集日历上运行，但严格区分了已观测的市场交易日与交易所休市日。

掩码（Masking）： 一个非对称掩码（ $m_{t,n}$ ）确保关闭的交易所不会作为时间或空间来源传输虚假的零波动率信号，同时仍允许它们作为目标查询对象。
严格的起点边界： 所有输入（包括神经窗口和滚动计量经济学先验）均由预测起点 $o = t - h$ 进行索引。在区间 $(o, t]$ 内的任何观测值均不被包含在内。

B. 受约束的跨市场信息通道

该模型将数据驱动的空间注意力机制与结构化计量经济学先验相结合：

滚动岭回归 VAR/GFEVD 先验： 在截至预测起点的滞后历史窗口（长达 252 天）上估计一个岭正则化的向量自回归（VAR）模型。广义预测误差方差分解（GFEVD）将其转化为行归一化的定向预测连通性矩阵。该先验每 20 个预测起点刷新一次，以确保不存在前瞻偏差（look-ahead bias）。
数据驱动注意力： 空间自注意力机制直接从经掩码处理的输入数据中学习依赖关系。
市场特定门控： 一个学习到的、时间不变的门控 $g_n$ （针对每个目标市场 $n$ ）控制着数据驱动注意力和计量经济学先验之间的凸组合分配。该门控在拟合模型内的日期间保持恒定，捕捉了不同市场吸收外部信号的持久异质性。

C. 以基准为中心的非线性预测

该系统并非取代经典模型，而是将**异质自回归（HAR）**模型作为冻结锚点。

有界残差修正： 神经系统仅在反 softplus 域内预测一个有界的残差修正。最终预测公式为：
$\hat{x}_{t,n} = \text{softplus}\left( \text{softplus}^{-1}(\hat{x}^{\text{HAR}}_{t,n}) + \alpha_n r_{b,n} \delta_{b,n} \right)$
其中 $\hat{x}^{\text{HAR}}$ 是冻结的线性 HAR 预测，而神经项通过 $\alpha_n$ 和 Sigmoid 门控 $r_{b,n}$ 被严格限制。这确保了预测的正定性，并保证神经组件仅提供增量价值。

D. 节点平衡优化

损失函数包含一项惩罚项，用于防止任何单一市场出现严重的相对性能恶化，从而避免模型以牺牲特定市场为代价来优化整体面板表现。

3. 核心贡献

异步环境下的方法论严谨性： 本文形式化了一种处理异步交易日历的严格协议，确保所有预测输入在预测起点时都是可观测的，从而消除了包括原始输入和估计关系图在内的前瞻偏差。
简约的混合架构： 文中证明了受约束的混合系统（计量经济学先验 + 数据驱动注意力 + HAR 锚点）可以在低信噪比环境下优于纯线性模型和不受约束的深度学习架构。
复杂性的结构化消融： 通过嵌套消融实验，本文分离了各架构组件的具体价值，表明灵活性并非单调有益，且结构化正则化对于获得增量收益至关重要。
稳健的统计评估： 研究采用了一套全面的评估套件，包括 5 种子集成、经 HAC 调整的 Diebold–Mariano 检验以及跨日、周、月期限的模型置信集（MCS）分析。

4. 实证结果

研究使用了来自八个主要全球指数（SPX, GDAXI, FCHI, FTSE, OMXSPI, N225, KS11, HSI）的 2006–2022 年高频数据。

相对于 HAR 基准的表现：
- 日（ $h=1$ ）与周（ $h=5$ ）： 相对于单变量 HAR 基准，PGA-Trans-HAR 在所有八个市场中均降低了 MSE 和 MAE。
- 月（ $h=22$ ）： 该受约束框架降低了其中七个市场的误差。
相对于更广泛基准的表现：
- 日：实现了最低的跨市场平均 MAE（尽管线性 HAR-KS 的 MSE 更低）。
- 周与月： 在所有线性及深度学习基准（包括 VHAR, GNN-HAR, DCRNN-HAR 和 Pure-ST-Transformer）中，实现了最低的平均 MSE 和 MAE。
统计显著性：
- Diebold–Mariano 检验证实了其在绝对损失（MAE）方面在日和周期限下的显著改进。
- 模型置信集（MCS）显示，在周和月期限下，该模型被保留在优胜集合中；但在日期限下，它与标量门控变体存在较多竞争。
消融实验洞察：
- 期限依赖性： 滚动计量经济学先验本身在日期限下提供了最显著的收益。
- 门控有效性： 学习到的市场特定门控（ $g_n$ ）在周和月期限下比统一标量混合（ $g=0.5$ ）提高了准确度，但在日期限下表现有所下降。这表明短期预测受益于更强的统一收缩，而长期预测则受益于差异化的跨市场分配。
- 复杂度： 不受约束的深度注意力（Pure-ST-Transformer）在短期内无法超越 HAR，证实了单纯的架构灵活性在缺乏经济正则化的情况下是不足够的。

5. 意义与结论

本文得出了一个有条件的肯定结论：受约束且符合预测起点的跨市场信息，能够相对于 HAR 锚点产生真实的增量预测价值，且这种增益在结构性溢出效应持续的中长期期限中最为显著。

作者强调，其贡献并非深度学习优于计量经济学，而是受约束信息的价值。研究结果表明，在低信噪比的金融预测环境中：

当架构灵活性受经济可解释性限制（如符合预测起点的先验、有界残差）时，其效果最为有效。
“黑箱”方法的效果不如混合方法；混合方法将预测锚定在已建立的波动率动态（HAR）之上，并允许神经组件仅提供有界的增量修正。
结合滚动 GFEVD 先验、非对称掩码以及市场特定门控机制，成功地在严格遵守可用信息集边界的同时，隔离并提取了边际预测贡献。

本文明确避免了关于通用模型统治地位、结构性因果识别或内生预测危机形态的陈述。相反，它将该框架定位为一种稳健的方法，用于在严格尊重可用信息集边界的前提下，提取增量准确度。