一、利用模型不确定性下的测量误差预测比特币的实现波动率
邱越, Zongrun Wang, Tian Xie, Xinyu Zhang,《Forecasting Bitcoin realized volatility by exploiting measurement error under model uncertainty》, Journal of Empirical Finance Vol. 62, 2021, doi: 10.1016/j.jempfin.2021.03.003.
关键词 HARQ；模型平均；比特币；实现波动率
摘 要 通过异质自回归模型对比特币实现的波动率进行建模受制于实证中的大量模型不确定性。为规避滞后规范不确定性，我们引入了一个新的模型平均系数估计法，它能够最小化均方系数的估计误差。论文证明平均系数向量有一个root-n相合性并提供了基于double bootstrap方法的检验方法，蒙特卡罗模拟结果证明了所提出方法的可靠性，样本内的应用表明，HARQ 类型模型对测量误差的调整是必要的。模型平均估计法能够带来更高的样本内解释力以及更多重要的预测因子，样本外实证结果表明预测时长对正负已实现方差预测比特币波动起着关键作用挥发性。最后，本文提出的平均HARQ 类型模型不管在短期还是长期均展示了优越的样本外表现。
二、通过衡量成分股之间的联系来预测股指波动
邱越, Tian Xie, Jun Yu, Qiankun Zhou 《Forecasting Equity Index Volatility by Measuring the Linkage among Component Stocks》Forthcoming, doi: 10.1093/jjfinec/nbaa005
关键词 波动率预测；异质自回归；共同相关效应；随机森林
摘 要 在对相关指数波动率进行建模和预测时，成分股的实现波动率之间的联系很重要。在本文中，在假设未观察到的错误共同因素的面板异质自回归模型下，通过扩展的共同相关效应 (CCE) 方法来衡量这种联系。获得 CCE 估计量具有一致性。使用主成分分析提取公因子。实证研究表明，考虑到关联效应的实现波动率模型显着改善了样本外预测性能，例如，R平方增加了32%。我们还对链接变量的预测模型进行了各种实验，将传统回归方法与流行的机器学习技术进行了比较。
三、完全子集最小二乘支持向量回归法
邱越 《Complete Subset Least Squares Support Vector Regression》Vol. 200, 2021, doi: 10.1016/j.econlet.2021.109737.
关键词 完全子集回归；机器学习；比特币；波动率预 测
摘 要 在本文中，我们提出了一种基于完全子集最小二乘支持向量回归 (LSSVR) 的组合预测新方法，该方法适用于线性和非线性数据生成过程。我们的LSSVR 非常灵活，它可以结合其他方法，如岭回归或完全子集回归，作为特殊情况。在蒙特卡罗模拟实验中，我们的LSSVR 优于许多其他竞争方法。在用于预测比特币实现波动率的实证中，我们检验了 LSSVR 方法的样本外预测表现。我们发现相对于其他方法，我们的方法表现优异。
作者简介
邱越，上海对外经贸大学金融管理学院讲师，加拿大皇后大学经济学博士，在《管理科学学报》（英文版）、《Journal of Financial Econometrics》、《Journal of Empirical Finance》、《Economic Modelling》、《Quantitative Finance》、《Economics Letters》等国内国际知名期刊以第一或者独立作者发表论文多篇。主要研究方向为：资产定价；波动率预测；风险管理; 机器学习。
