University of Southern California（南加州大学）

Do Better Volatility Forecasts Lead to Better Portfolios? Evidence from Graph Neural Networks

波动率预测是否能带来更好的投资组合？图神经网络的实证证据

Rylan Wade

机构 * University of Southern California（南加州大学） 纠错

AI总结 本文研究图神经网络是否能提高实际波动率预测，并探讨这些预测是否能提升投资组合表现。通过2015-2025年间465只标普500股票的每周实际波动率数据，将异质自回归和长短期记忆基线模型与基于滚动相关性、行业和格兰杰因果图的图神经网络模型进行比较，包括和不包括宏观经济状态特征。实证发现，预测误差最小、横截面排名准确度最高、投资组合夏普比率最高的模型是三种不同的模型。预测准确性、排名质量与投资组合表现相关但不等同。只有当投资规则能利用其编码的横截面结构时，图波动率模型才具有价值。

A Theory of Time-Sensitive Language Generation: Sparse Hallucination Beats Mode Collapse

时间敏感语言生成理论：稀疏幻觉战胜模式崩溃

Atul Ganju, Travis McVoy, Shaddin Dughmi, Shang-Hua Teng

机构 * University of Southern California（美国南加州大学） 纠错

AI总结 本文研究了在全局偏好顺序下语言生成的极限情况，提出了一种时间敏感的语言生成方法，通过稀疏幻觉技术克服了模式崩溃问题，证明了在特定条件下可以实现最优密度。