前文所讨论的是利用传统类的HAR模型对所选择的样本期，即2005年1月至2017年12月末整个全样本期的拟合效果，但各模型对未来RV的预测效果如何呢？这是本节中所讨论的内容。为了讨论各模型的预测效果，本书将利用样本外滚动时间窗预测方法对各模型的预测效果展开详细研究。具体而言，本书将讨论滚动样本外1 000天的RV预测效果，也就是说，对于沪深300指数而言，用1～2 159个样本作为历史样本，利用包括HAR-CSJ在内的各种模型对其拟合，然后利用相关的拟合参数预测下一天的RV，然后利用第2至第2 160个样本作为估计样本，并根据相关的参数估计结果对第2天的RV进行预测，也就是说，所有预测的RV均是基于之前的2 159个样本，这样利用8个传统的HAR模型对沪深300指数分别重复估计1 000次，最后得出本书根据滚动时间窗所预测出来的RV。

对沪深300指数样本外预测的结果见表3-6所示，从表中对各模型的损失函数统计量可知，相较于基本的HAR模型，具有半方差的HAR-S模型和HAR-SA模型表现更佳，这说明了对于沪深300指数而言，其分解后的正负半差，尤其是对日、周和月RV均分解后的HAR-SA模型具有较为显著的优势，体现出了股市具有杠杆效应的重要特征。整体来看，本书所提出的包含了检验后跳跃成分的HAR-CSJ模型是所有模型中最具有优势的模型，对样本外1 000天RV预测的损失统计量均最小，相对于HAR模型而言，HAR-CSJ模型的MSE为0.874 7，QLIKE损失统计量为0.950 0，本书的实证结果显示HAR-CSJ模型为这8个传统类HAR中对样本外一天RV预测最为准确的模型。

表3-6　沪深300指数5分钟高频数据传统类HAR模型样本外（一天）预测结果

说明：表中数值为各模型样本外预测结果的损失统计量与HAR模型的对比结果。(www.daowen.com)

表3-7为8种不同HAR模型对恒生指数样本外一天的预测结果，从该表中可以发现，同样是HAR-CSJ模型的预测结果最为优异。这同样表明了本书所提出的包含了刻画跳跃符号的HAR模型在对成熟市场波动率进行拟合的重要优势。

表3-7　香港恒生指数5分钟高频数据传统类HAR模型样本外（一天）预测结果

说明：表中数值为各模型样本外预测结果的损失统计量与HAR模型的对比结果。