该研究旨在比较基于深度学习的多变量数据预测模型在波动率预测方面的表现，结果表明 Temporal Fusion Transformer 优于传统方法和浅层网络，因此鼓励将其应用到实践中。

Jun, 2023

通过在建立的神经网络体系结构中将 GARCH 模型的神经网络对应组件整合进去，本研究提出了名为 GARCH-NN 的创新方法，以融合 GARCH 模型中固有的波动特征，并证实将 GARCH 家族模型的神经网络对应组件与传统神经网络模型相结合可以带来比独立使用随机和神经网络模型更好的结果。

Jan, 2024

这篇论文展示了最近将统计模型与深度循环神经网络相结合提供了一种描述波动度（时间序列的变化程度）模型的新方法，其中包含了一对互补随机循环神经网络，应用在金融领域的时间序列分析和预测。在实现的过程中，作者着重处理了基于随机循环神经网络的波动度动态变化。实际基于股票价格数据的实验证明，这个模型的波动度预测比其他流行模型例如确定性模型 (GARCH)、基于 MCMC 的模型 (stochvol) 和高斯波动过程模型 (GPVol) 有更高的可靠性。

Nov, 2017

金融服务行业中，根据历史和当前市场环境来预测风险因素分布是市场风险建模和风险价值 (VaR) 模型的关键。本研究应用多个现有的深度生成方法，如 CGAN、CWGAN、Diffusion 和 Signature WGAN，以及提出并测试两种新方法进行条件多步时间序列生成，即编码器 - 解码器 CGAN 和条件 TimeVAE。此外，我们引入了一个全面的框架和一组关键绩效指标 (KPIs)，用于衡量金融建模中生成时间序列的质量。KPIs 包括分布距离、自相关和回测。在历史美元收益曲线数据和从 GARCH 和 CIR 过程模拟的附加数据上测试了所有模型 (HS、参数模型和神经网络)。研究表明，HS、GARCH 和 CWGAN 模型是表现最好的模型。此领域中的未来研究方向也在研究中进行了讨论。

Jan, 2024

本文探讨了通过利用深度学习的结构，对股价波动进行建模的可行性，并针对 2018 天中的 1314 个股票序列，通过负对数似然度量对现实世界的股票时间序列的实验进行比较，结果表明，与 GARCH 家族的各种常用确定性模型和最近提出的几个随机模型相比，包括扩展 CNN 和扩展循环神经网络等扩展神经模型产生了最准确的估计和预测

Nov, 2018

我们提出了一种新颖的方法来建模和预测多元实现波动率，使用定制的图神经网络来整合股票之间的溢出效应。该模型通过整合多跳邻居的溢出效应、捕捉非线性关系和灵活地使用不同的训练损失函数，具有很多优势。实证结果表明，仅仅考虑多跳邻居的溢出效应并不能明显提高波动率的预测准确性。然而，建模非线性溢出效应能够显著提高实现波动率的预测准确性，特别是对于短期（一周以内）的预测。此外，我们的结果一致表明，使用准似然损失函数进行训练相比常用的均方误差损失函数能够大幅提高模型性能。在替代性设置下进行的一系列实证评估证实了我们结果的稳健性。

Aug, 2023

本文提出了一种结合了经典时间序列模型和深度神经网络优点的数据驱动和可扩展的混合模型，通过潜在的全局深层次组件和局部的经典高斯过程模型来处理不确定性，并在实践中展示了比现有技术更高的准确性。

Nov, 2018

本研究比较了传统方法和新兴神经网络方法的时间序列预测性能，使用了各种度量标准来评估它们的性能，结果表明 Deep AR 比所有其他深度学习和传统方法表现得都好，且其预测能力不会因训练数据量减少而降低。这表明，将深度学习方法纳入预测场景中显著优于传统方法，并可处理复杂的数据集，在天气预报和其他时间序列应用等各种领域具有潜在应用。

Jun, 2023

这篇论文研究了如何利用数值和概率模型进行高频交易的短期波动率和回报预测，通过在 Numerical Market Prediction 模型的输出上应用高斯过程，使用修正后的股价数据建立了一个被审查的高斯过程模型，评估了预测误差。

Nov, 2023

本研究提出了一种混合模型，将经典时间序列模型与基于深度神经网络的模型结合起来，通过全局深度组件实现可扩展性和数据驱动，同时通过本地经典模型处理不确定性。实验证明，该模型在数据效率、准确性和计算复杂性方面具有优势。

May, 2019