論文の概要: Improving S&P 500 Volatility Forecasting through Regime-Switching Methods

• arxiv url: http://arxiv.org/abs/2510.03236v1
• Date: Sun, 21 Sep 2025 19:40:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-12 15:03:05.781639
• Title: Improving S&P 500 Volatility Forecasting through Regime-Switching Methods
• Title（参考訳）: 規則切替法によるS&P 500のボラティリティ予測の改善
• Authors: Ava C. Blake, Nivika A. Gandhi, Anurag R. Jakkula,
• Abstract要約: 我々は,S&P500のボラティリティの予測を改善するために,多種多様な制度変更手法を提案する。 予測精度を高めるため、歴史的ダイナミクスと先進的な市場感情の両方を捉える機能を開発した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate prediction of financial market volatility is critical for risk management, derivatives pricing, and investment strategy. In this study, we propose a multitude of regime-switching methods to improve the prediction of S&P 500 volatility by capturing structural changes in the market across time. We use eleven years of SPX data, from May 1st, 2014 to May 27th, 2025, to compute daily realized volatility (RV) from 5-minute intraday log returns, adjusted for irregular trading days. To enhance forecast accuracy, we engineered features to capture both historical dynamics and forward-looking market sentiment across regimes. The regime-switching methods include a soft Markov switching algorithm to estimate soft-regime probabilities, a distributional spectral clustering method that uses XGBoost to assign clusters at prediction time, and a coefficient-based soft regime algorithm that extracts HAR coefficients from time segments segmented through the Mood test and clusters through Bayesian GMM for soft regime weights, using XGBoost to predict regime probabilities. Models were evaluated across three time periods--before, during, and after the COVID-19 pandemic. The coefficient-based clustering algorithm outperformed all other models, including the baseline autoregressive model, during all time periods. Additionally, each model was evaluated on its recursive forecasting performance for 5- and 10-day horizons during each time period. The findings of this study demonstrate the value of regime-aware modeling frameworks and soft clustering approaches in improving volatility forecasting, especially during periods of heightened uncertainty and structural change.
• Abstract（参考訳）: 金融市場のボラティリティの正確な予測は、リスク管理、デリバティブ価格、投資戦略にとって重要である。 本研究では,S&P500のボラティリティの予測を改善するために,市場構造の変化を経時的に捉えることで,多種多様な制度変更手法を提案する。 我々は、2014年5月1日から2025年5月27日までの11年間のSPXデータを用いて、5分間の日内ログリターンから毎日実現された変動率(RV)を計算し、不規則な取引日に調整した。 予測精度を高めるために、我々は、歴史的ダイナミクスと、体制全体にわたる先進的な市場感情の両方を捉える機能を開発した。 本手法は,ソフトレジーム確率を推定するソフトマルコフ切替アルゴリズムと,XGBoostを用いて予測時刻にクラスタを割り当てる分散スペクトルクラスタリングアルゴリズムと,Moodテストを通じてセグメント化された時間セグメントからHAR係数を抽出する係数ベースのソフトレジームアルゴリズムと,軟レジーム重量に対するベイズGMMを介して,レジーム確率を予測するためのXGBoostを用いる。 モデルの評価は、新型コロナウイルス(COVID-19)の感染拡大前後の3つの期間に及んだ。 係数に基づくクラスタリングアルゴリズムは、全期間にわたってベースライン自己回帰モデルを含む他のすべてのモデルより優れていた。 さらに, 各期間の5日間と10日間の地平線に対する再帰予測性能について評価した。 本研究は, ボラティリティ予測, 特に不確実性と構造変化の高度化期において, ボラティリティ予測の改善におけるレギュラーアウェア・モデリング・フレームワークとソフトクラスタリング・アプローチの価値を実証するものである。

関連論文リスト

• Geometric-Mean Policy Optimization [117.05113769757172]
  グループ相対政策最適化(GRPO)は,大規模言語モデルの推論能力を大幅に向上させた。 GRPOは、不利な重要度重み付けされた報酬を持つトークンに直面すると、不安定なポリシー更新に悩まされる。 本稿では,GRPOの安定性を向上させるために,トークン報酬の出力を抑えることにより,GMPO(Geometric-Mean Policy Optimization)を提案する。
  論文  参考訳（メタデータ） (2025-07-28T09:54:05Z)
• Enhanced forecasting of stock prices based on variational mode decomposition, PatchTST, and adaptive scale-weighted layer [1.9635048365486127]
  本研究では、変分モード分解(VMD)、PatchTST、適応スケール重み付け層(ASWL)を統合した新しい複合予測フレームワークを提案する。 VMD-PatchTST-ASWLフレームワークは従来のモデルに比べて予測精度が大幅に向上している。 この革新的なアプローチは、さまざまな財務分析や投資決定の文脈における潜在的な応用を含む、株価指数の価格予測のための強力なツールを提供する。
  論文  参考訳（メタデータ） (2024-08-29T17:00:47Z)
• The Hybrid Forecast of S&P 500 Volatility ensembled from VIX, GARCH and LSTM models [0.0]
  本研究では,S&P500のボラティリティ予測の精度を向上させるための4つの方法を検討する。 機械学習アプローチ,特にハイブリッドLSTMモデルは,従来のGARCHモデルよりも大幅に優れていることがわかった。 この研究結果は、より正確なボラティリティ予測を達成するための貴重な洞察を提供する。
  論文  参考訳（メタデータ） (2024-07-23T18:28:16Z)
• Diffusion Variational Autoencoder for Tackling Stochasticity in Multi-Step Regression Stock Price Prediction [54.21695754082441]
  長期的地平線上での多段階の株価予測は、ボラティリティの予測に不可欠である。 多段階の株価予測に対する現在の解決策は、主に単一段階の分類に基づく予測のために設計されている。 深層階層型変分オートコーダ(VAE)と拡散確率的手法を組み合わせてセック2seqの株価予測を行う。 本モデルでは, 予測精度と分散性の観点から, 最先端の解よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-18T16:21:15Z)
• Deep Learning Enhanced Realized GARCH [6.211385208178938]
  本稿では,深層学習(LSTM)とボラティリティ対策の併用によるボラティリティモデリングの新しい手法を提案する。 このLSTMで強化されたGARCHフレームワークは、金融経済学、高周波取引データ、ディープラーニングによるモデリングの進歩を取り入れ、蒸留する。
  論文  参考訳（メタデータ） (2023-02-16T00:20:43Z)
• DeepVol: Volatility Forecasting from High-Frequency Data with Dilated Causal Convolutions [53.37679435230207]
  本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。 実験結果から,提案手法は高頻度データからグローバルな特徴を効果的に学習できることが示唆された。
  論文  参考訳（メタデータ） (2022-09-23T16:13:47Z)
• Regime-based Implied Stochastic Volatility Model for Crypto Option Pricing [0.0]
  既存の手法は、新興デジタルアセット(DA)の揮発性の性質に対処できない インプリッドボラティリティモデル(ISVM)による市場システム(MR)クラスタリングの最近の進歩を活用する。 ISVMは、インプリートボラティリティ(IV)データを使用することで、各感情駆動期間に投資家の期待を組み込むことができる。 MR-ISVMは,オプション価格モデルの高次特性におけるジャンプへの複雑な適応の負担を克服するために有効であることを示す。
  論文  参考訳（メタデータ） (2022-08-15T15:31:42Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。