Волатильность это скрытый лог нормальный процесс (без перекоса и без тяжелых хвостов). И поэтому все упрощется и в каждый момент его можно описать всего 2мя числами — локация и дисперсия. Соотв прогноз волатильности это 2 числа, не одно.
Если мерять через IV поверхность, то локация это волатильность ATM а дисперсия — как сильно отличается волатильность на FAR OTM, т.е. как высоко идут крылья.
Если мерять через интрадей, то локация это Е[log r^2] а дисперсия std[log r^2] от минутных лог прибылей.
Практический смысл? Возможно стоит на графиках вывести 2 линии вместо одной (или одну переменной толщины), может они смогут лучше обьяснить режимы рынка и т.п. чем одна линия...
П.С. И это то чего не может GARCH, он отслеживает только loc, упуская 2е (ну и динамику).
вы только что сказали, что log-GARCH это на самом деле просто ARIMA для волы, а для волы волы нужен бы… GARCH (!)
я уж совсем свалю в оффтоп, но реально «устойчивое дно дискуссии» — это функция полезности, в ней естественным образом вылазят и волатильность и все остальные моменты (не только 3й и 4й, а вообще все) и вопрос где рубить разложение полезности по моментам — это вопрос о таймфрейме, потому что на разных таймфреймах вклад разных моментов убывает по разному
+ «с автокорреляцией которая дает нестационарность ошибки». Я упустил это уточнение о нестационарности ошибки в посте, вы это имели ввиду, или что то другое
думаю нет… я про вот это
Соотв прогноз волатильности это 2 числа
как вообще пришли к GARCH?
— сначала прогнозировали r как регрессию от предыдущих r и \eps, по сути это ARMA для локация
— задумались, что \sigma перед \eps тоже как-то меняется и написали на неё (её квадрат) еще одну регрессию — это ARMA для масштаба или GARCH
впринципе, то о чем вы пишите дальше — это про регрессию для log \Sigma^2 через неё саму и log \r^2, таки да, оно постационарнее будет чем просто для \sigma^2, но вот будет ли оно правдоподобнее я не проверял, наверное будет ...
вопрос — а почему вы останавливаетесь на модели для log \sigma^2? можно же продолжать и дальше — у этой модели есть инновация — coeff * (log [r^2 / \sigma^2] — avg)
всё сказанное выше можно провернуть еще раз и для log coeff^2
Как раньше всех реагировать на новости рынка: новый инструмент в Т-Инвестициях
Чтобы получать оперативные новости, многие держат открытыми по несколько вкладок одновременно или устанавливают платные решения. Рассказываем о новом виджете, с которым узнавать о важных...
Развал ОПЕК. Какое будущее ждет картель и нефтяной рынок
Вчера, 28 апреля, Объединенные Арабские Эмираты неожиданно объявили о своем выходе с 1 мая 2026 года из ОПЕК и расширенного альянса ОПЕК+. На рынке сразу заговорили о том, что потеря ключевого...
Чистая прибыль ПАО «ЭсЭфАй» по РСБУ за I квартал 2026 года составила 0,3 млрд руб.
ПАО «ЭсЭфАй» (инвестиционный холдинг SFI, MOEX: SFIN) публикует формы отчетности по российским стандартам бухгалтерского учета за январь — март 2026 года.
По итогам отчетного периода чистая...
Игорь
Уважаемые Инвесторы!
Разрешите поинтересоваться: Ваши проблемы решаются при обращении к ПАО «ВТБ» по существу или только мне повезло с антигуманным решением вопросов, дублированием информ...
Александр Самарин,
Мы не отстаем от Китая, у нас разные составляющие, например у нас 0.15млрд население, а там 1.5 млрд — 10 населений России), у нас огромная территория, плюс севера, а у них вс...
в нашенском деле — интереснее распад волатильности…
я уж совсем свалю в оффтоп, но реально «устойчивое дно дискуссии» — это функция полезности, в ней естественным образом вылазят и волатильность и все остальные моменты (не только 3й и 4й, а вообще все) и вопрос где рубить разложение полезности по моментам — это вопрос о таймфрейме, потому что на разных таймфреймах вклад разных моментов убывает по разному
думаю нет… я про вот это
как вообще пришли к GARCH?
— сначала прогнозировали r как регрессию от предыдущих r и \eps, по сути это ARMA для локация
— задумались, что \sigma перед \eps тоже как-то меняется и написали на неё (её квадрат) еще одну регрессию — это ARMA для масштаба или GARCH
впринципе, то о чем вы пишите дальше — это про регрессию для log \Sigma^2 через неё саму и log \r^2, таки да, оно постационарнее будет чем просто для \sigma^2, но вот будет ли оно правдоподобнее я не проверял, наверное будет ...
вопрос — а почему вы останавливаетесь на модели для log \sigma^2? можно же продолжать и дальше — у этой модели есть инновация — coeff * (log [r^2 / \sigma^2] — avg)
всё сказанное выше можно провернуть еще раз и для log coeff^2
ps: кстати, а как вы логорифмируете r^2 при r=0?