.png){kind=icon}
返回
Combining deep learning with econometric models: volatility forecasting using the KAN-GARCH-MIDAS framework
.png){kind=icon}
PRE
AI
DOI：10.1080/15140326.2025.2555479.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
机器学习和深度学习在金融领域的应用日益广泛，但鲜有研究探讨它们如何提升传统计量经济模型。本研究提出了一种创新的KAN-GM模型，将Kolmogorov-Arnold网络（KAN）与GARCH-MIDAS模型相结合，以提取非线性宏观经济特征用于波动率预测。实证结果表明，KAN-GM在MAE和MedAE指标上优于传统GARCH模型，通过MCS测试始终位列最优模型集合，并展现出强大的跨市场适应性（股票和外汇市场）。该模型在COVID-19前后均保持稳健性。该模型有效融合了深度学习与计量经济学，提升了金融风险预测能力。
Keyword:
Forecasting
volatility
GARCH-MIDAS
KAN
期刊
J
IF:
2
论文数:
73
被引数:
0
机构
引用论文
分享收藏
分享收藏Further empirical evidence on the forecasting of volatility with smooth transition exponential smoothing.png)
ECONOMIC MODELLING
ECONOMIC MODELLINGIF4.7
PREAI
分享收藏分享收藏
查看更多内容