有效和规范的资本市场可以被视为经济体可持续金融发展的前提。 为了提高股票市场的效率并减少不确定性，决策者必须采用波动率度量。 本文的主要目的是检验各种模型的相对能力，以预测未来的波动率，并设计适当的波动率模型以捕捉达卡证券交易所（DSE）股票收益的波动性。 通过利用从2001年11月27日到2013年7月31日的每日数据，发现从波动持续性的角度来看，MA（2）-GARCH（2，1）由于样本内和样本外准确性均更好。 相反，从捕获非对称效果的角度来看，MA（2）-EGARCH（1，3）更好。 因此，没有明确的获胜者，因此该决定应取决于有关人员的目的。

波动率预测是当前金融工具中一个有趣的具有挑战性的话题，因为它与利润直接相关。 有许多与波动性直接相关的风险和回报。 因此，预测波动性成为金融领域最可有可无的话题。 GARCH 分布在风险度量和期权定价中起着重要作用。 在本文中，动机是通过使用不同的分布模型来衡量 GARCH 技术在预测波动率方面的性能。 我们在用于预测股票实体波动性的分布模型中使用了 9 种变体。 本文观察到的不同 GARCH 分布模型有 Std、Norm、SNorm、GED、SSTD、SGED、NIG、GHYP 和 JSU。 提前 10 天预测波动率，并将值与实际值进行比较，以找出波动率预测的最佳分布模型。 从获得的结果可以看出，具有 GED 分布模型的 GARCH 优于所有模型。

利用R语言，根据GARCH模型进行波动率的预测。

由于真实收益变动过程的不可观察性，因此在波动率预测评估中最具挑战性的问题之一是为事后波动率找到准确的基准指标。 本文使用澳大利亚股票市场的超高频数据来构建无偏的事后波动率估计量，然后将其用作评估各种实际波动率预测策略（基于GARCH类模型）的基准。 这些预测策略可允许创新的偏斜分布，并在标准GARCH波动率模型之外使用各种估计窗口。 在样本外测试中，我们发现，与使用基于稀疏采样的日内数据的实际波动率相比，使用无偏后波动率估计量，可以系统地减少所有模型规格的预测误差。 特别是，我们显示出三种基准预测模型在回报率和估计窗口分布不同的情况下胜过大多数修改后的策略。 比较三种标准的GARCH类模型，我们发现非对称功率ARCH（APARCH）模型在正常和金融动荡时期均表现出最佳的预测能力，这表明APARCH模型具有捕获Leptokurtic收益和典型波动率特征的能力。澳大利亚股市。

以中国石油(601857)股票2010年1月15日至2011年1月17日交易日收盘价格的实际数据为样本,建立了股票对数收益率波动率的GARCH模型,利用Eviews软件进行参数估计得到波动率的方程,并对波动率进行预测,从而得到基于GARCH模型预测波动率的欧式看涨期权的价格和风险值VaR的计算。

已实现波动率模型和传统波动率模型的波动率预测能力的比较，王阳，雷钦礼，本文以沪深300指数为例，将基于其5分钟高频数据的已实现波动率模型和基于其日收益数据的历史波动率模型这两类波动率模型的样本外�

基于GARCH族模型的沪深300指数波动率预测，李育锋，严定琪，本文运用GARCH、EGARCH和GJR带正态分布和t分布的模型和方法对沪深300指数日收益率进行了统计拟合分析，得到了收益率序列尖峰厚尾性和异

波动率预测_GARCH模型与隐含波动率