Buchumschlag

Forecasting the Volatility of US Oil and Gas Firms With Machine Learning

Fuente: Wiley Open Access

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Juan D. Díaz, Erwin Hansen, Gabriel Cabrera
Format:	Artículo Open Access
Veröffentlicht:	Wiley 2024
Schlagworte:	Journal of Forecasting
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Machine Learning Approaches to Forecast the Realized Volatility of Crude Oil Prices
von: Talha Omer, et al.
Veröffentlicht: (2026)

Overnight Trading Matters!—Volatility Forecast in the Crude Oil Futures Market
von: Jing Hao, et al.
Veröffentlicht: (2026)

Trading VIX on Volatility Forecasts: Another Volatility Puzzle?
von: Stavros Degiannakis, et al.
Veröffentlicht: (2025)

Crossproduct Effect and Volatility Forecasting
von: Jiafu Xu, et al.
Veröffentlicht: (2024)

Coherent Forecasting of Realized Volatility
von: Marius Puke, et al.
Veröffentlicht: (2026)

Forecasting Chinese Stock Market Volatility With Volatilities in Bond Markets
von: Likun Lei, et al.
Veröffentlicht: (2024)

Enhancing Neural Network Volatility Forecasting: Decomposed Volatility Modeling
von: Xuzheng Ren, et al.
Veröffentlicht: (2026)

Forecasting Volatility of Australian Stock Market Applying WTC‐DCA‐Informer Framework
von: Hongjun Zeng, et al.
Veröffentlicht: (2025)

Forecasting the Realized Volatility of Stock Markets: The Roles of Jumps and Asymmetric Spillovers
von: Abdel Razzaq Al Rababaa, et al.
Veröffentlicht: (2024)

Forecasting With Machine Learning Shadow‐Rate VARs
von: Michael Grammatikopoulos
Veröffentlicht: (2025)

Forecasting Gold Volatility in an Uncertain Environment: The Roles of Large and Small Shock Sizes
von: Li Zhang, et al.
Veröffentlicht: (2025)

Enhancing Volatility Prediction: A Wavelet‐Based Hierarchical Forecast Reconciliation Approach
von: Adam Clements, et al.
Veröffentlicht: (2026)

Forecasting Natural Gas Futures Prices Using Hybrid Machine Learning Models During Turbulent Market Conditions: The Case of the Russian–Ukraine Crisis
von: Pavan Kumar Nagula, et al.
Veröffentlicht: (2025)

HyperVIX: A GWO‐Optimized ARIMA‐LSTM Hybrid Model for CBOE Volatility Index (VIX) Forecasting
von: Ran Wu, et al.
Veröffentlicht: (2025)

The Information Content of Overnight Information for Volatility Forecasting: Evidence From China's Stock Market
von: Yi Zhang, et al.
Veröffentlicht: (2025)

Forecasting Realized Volatility With Tree‐Based HAR‐Type Models Incorporating Macroeconomic Uncertainty
von: Wei Liu, et al.
Veröffentlicht: (2026)

Using DSGE and Machine Learning to Forecast Public Debt for France
von: Emmanouil Sofianos, et al.
Veröffentlicht: (2026)

Machine Learning Forecasts of Tail‐Risk Spillovers in Carbon and Energy Markets
von: Shengnan Liu, et al.
Veröffentlicht: (2026)

Forecasting Corporate Default Risk Across Multiple Horizons With Interpretable Machine Learning
von: Qingli Dong, et al.
Veröffentlicht: (2026)

Forecasting Disaggregated Producer Prices: A Fusion of Machine Learning and Econometric Techniques
von: Soňa Benecká
Veröffentlicht: (2026)

Using a Wage–Price‐Setting Model to Forecast US Inflation
von: Nguyen Duc Do
Veröffentlicht: (2024)

Economic Conditions and Predictability of US Stock Returns Volatility: Local Factor Versus National Factor in a GARCH‐MIDAS Model
von: Afees A. S alisu, et al.
Veröffentlicht: (2025)

A New Multivariate Decomposition–Ensemble Approach With Multisource Heterogeneous Data for Crude Oil Price Forecasting
von: Zhengling Zhao, et al.
Veröffentlicht: (2026)

Could Diffusion Indexes Have Forecasted the Great Depression?
von: Gabriel Mathy, et al.
Veröffentlicht: (2024)

Correction to “Smart Forecasting of Carbon Prices Using Machine Learning and Neural Networks: When ARIMA Meets XGBoost and LSTM”
Veröffentlicht: (2026)

Medium‐ to Long‐Term Demand Forecasting in Retail and Manufacturing Organizations: Integration of Machine Learning, Human Judgment, and Interval Variable
von: Sushil Punia
Veröffentlicht: (2025)

Support Vector Machine to Forecast Reexamination Invalidation Decisions for Utility Model Patent
von: Mei‐Hsin Wang, et al.
Veröffentlicht: (2025)

Decomposing, Learning, and Predicting Realized Volatilities: A Comparison Analysis From the Global Stock Markets
von: Wei Zhou, et al.
Veröffentlicht: (2025)

Term Spread Volatility as a Leading Indicator of Economic Activity
von: Anastasios Megaritis, et al.
Veröffentlicht: (2026)

Seasonal Decomposition‐Enhanced Deep Learning Architecture for Probabilistic Forecasting
von: Keyan Jin, et al.
Veröffentlicht: (2025)

Fiscal Forecasting Rationality Among Expert Forecasters
von: Belen Chocobar, et al.
Veröffentlicht: (2024)

Forecasting Life Cycle Costs of Weapon Systems: An Open Source Approach With Artificial Intelligence
von: Martín Díaz Cuesta, et al.
Veröffentlicht: (2026)

Forecasting GDP growth: The economic impact of COVID‐19 pandemic
von: Ioannis D. Vrontos, et al.
Veröffentlicht: (2024)

A Novel Approach to Forecasting After Large Forecast Errors
von: Jennifer L. Castle, et al.
Veröffentlicht: (2025)

Volatility forecasting incorporating intraday positive and negative jumps based on deep learning model
von: Yilun Zhang, et al.
Veröffentlicht: (2024)

Modeling Volatility Dynamics in Emerging Markets: Novel Evidence From Large Set of Predictors
von: Maria Ghani, et al.
Veröffentlicht: (2025)

A Comparison of Realized Measures of Integrated Volatility: Price Duration‐ vs. Return‐Based Approaches
von: Björn Schulte‐Tillmann, et al.
Veröffentlicht: (2026)

Forecasting in turbulent times
von: Nikolaos Giannellis, et al.
Veröffentlicht: (2024)

A Dynamic Fuzzy Modeling Method for Interval Time Series and Applications in Range‐Based Volatility Prediction
von: Leandro Maciel, et al.
Veröffentlicht: (2025)

Revisiting the Volatility Dynamics of REITs Amid Uncertainty and Investor Sentiment: A Predictive Approach in GARCH‐MIDAS
von: Xu Xiangxin, et al.
Veröffentlicht: (2025)