Regime-Gated Residual Mixture-of-Experts for Cross-Sectional Volatility Forecasting
Di cosa parla
Propongono un modo per usare l’informazione sul “regime” del mercato nelle previsioni di volatilità: invece di darle direttamente al predittore principale, la impiegano soltanto per selezionare e pesare una serie di sottomodelli che correggono la previsione. Questa architettura (RG-ResMoE) migliora accuratezza e stabilità dell’addestramento sui dati statunitensi e giapponesi; inserire il regime direttamente peggiora i risultati.
Cosa permette di osservare
Consente di esplorare se sia preferibile usare lo stato del mercato per scegliere sottomodelli specializzati o inserirlo direttamente nelle caratteristiche d’ingresso, e se il vantaggio dei modelli che combinano più specialisti derivi più dal modo in cui controllano segnali instabili che dall’aumentare la capacità complessiva.
Dalla fonte
Financial volatility is regime dependent, yet incorporating regime information into neural networks can also destabilize training. This paper asks where such information should enter a neural cross-sectional volatility forecasting model. We study five-day realized-volatility forecasts for 1,027 U.S. equities using a rolling walk-forward evaluation framework in which information, model capacity, hyperparameter tuning, and random seeds are matched across architectures. We propose RG-ResMoE, a regime-gated residual mixture-of-experts architecture in which regime information is used only for expert routing rather than for direct forecasting. The base predictor models volatility from stock features, while a gating network uses regime state variables to route residual corrections. RG-ResMoE consistently outperforms a capacity-matched MLP in both forecasting accuracy and training stability in…