机构名称：
¥ 3.0
我们将机器学习模型应用于预测盘中实现的波动性（RV），通过将库存数据合并在一起，并通过纳入市场波动的代理来利用盘中波动性的通用性。神经网络在性能方面主导了线性回归和基于树的模型，因为它们能够发现和建模变量之间的复杂潜在相互作用。当我们将经过训练的模型应用于培训集中尚未包括的新股票时，我们的发现重新稳定，从而为股票之间的普遍波动机制提供了新的经验证据。最后，我们提出了一种新的方法来预测使用过去的室内RV作为预测指标的1天预先启动RV，并突出显示了有助于预测机制的有趣时间效应。结果表明，所提出的方法与仅依靠过去每日RV的强大传统基线相比，产生了较高的样本外预测。
通过机器学习和日内通用性预测的波动性预测*
主要关键词
相关文件推荐
