波動性
5 分鐘頻率數據的波動率預測
我有金融股的高頻數據（5 分鐘週期），我想預測波動性。
我熟悉常用的 ARCH/GARCH 模型及其用於日常數據的變體，但經過一些研究後，我了解到這些模型不適用於高頻數據。
當我每 5 分鐘有一個數據點時，哪種模型最適合預測波動率？該模型是否有任何已知的 Python 實現？
我在這個主題上完成了我的理學碩士論文，發現 SVR 和 RF 等非參數方法優於經典計量經濟學規範（ARCH、GARCH、EGARCH 等）。在文獻中發現了類似的結果，非線性關係以及肥尾經常被認為是可能的罪魁禍首。
看看當你在這樣的模型中插入所需的滯後時會發生什麼可能是值得的！
我們在Bińkowski 和 L的 Intraday Liquidity 的內生動態中研究了這一點（預印本在那裡）。
我的建議是從 AR（自回歸）模型開始，然後擴展它。您應該看到，如果您在該模型的 VAR（向量自回歸）版本中引入其他變數，所需的滯後將會減少，例如最近的交易量（和其他流動性變數）是否包含有關近期波動率的資訊。
過去我也使用 LSTM（ARMA 的神經網路版本），它對交易量比對波動性更有用（特別是如果想了解要使用的正確滯後）。