تقديرات التقلب الخشن المستندة إلى الخيارات تحسن توقعات HAR

الملخص

تبحث هذه الدراسة فيما إذا كانت تقديرات التقلب الفوري المستخلصة من الخيارات المتداولة تحسن توقعات التقلب المحقق. وتضيف إلى نموذج الانحدار الذاتي غير المتجانس للتقلب المحقق تقديرًا للتقلب العشوائي الخشن، يُستنتج عبر إجراء تكراري من خطوتين يستند إلى عمل سابق. ويُستخدم نموذج بديل للتعلم العميق لتسريع التقدير عبر مجموعات كبيرة من الخيارات.

تُقارن مواصفة HAR-RV-RHeston المعززة بنماذج التقلب العشوائي التقليدية، ومنها Heston وBates وSVCJ، وكذلك مؤشر VIX. وتظهر النتائج المذكورة تحسنًا في دقة توقع التقلب المحقق يوميًا، مع استمرار الأداء الأفضل عبر آفاق تصل إلى شهر. وتعرض الوثيقة مقارنات للتوقعات، لكنها لا تحدد فترة البيانات أو مقاييس التقييم أو الدلالة الإحصائية، لذا لا يمكن تقييم قوة المكاسب المذكورة ومدى قابليتها للتعميم من هذا الملخص وحده.

الأفكار الرئيسية

• يختبر النموذج ما إذا كان التقلب الفوري الضمني من الخيارات يضيف قيمة تنبؤية إلى نموذج HAR للتقلب المحقق.
• يُستنتج التقلب الفوري في ظل نموذج للتقلب العشوائي الخشن باستخدام طريقة تكرارية من خطوتين.
• يسرّع نموذج بديل للتعلم العميق التقدير من مجموعات الخيارات الكبيرة.
• يُقارن النموذج المعزز بنماذج Heston وBates وSVCJ وVIX.
• تمتد تحسينات التوقع المذكورة من التنبؤات اليومية إلى آفاق تصل إلى شهر.

الوسوم

# On options-driven realized volatility forecasting: Information gains via rough volatility model


# On options-driven realized volatility forecasting: Information gains via rough volatility model









We examine whether model-based spot volatility estimators extracted from traded options data enhance the predictive power of the Heterogeneous Autoregressive (HAR) model for realized volatility. Specifically, we infer spot volatility under the rough stochastic volatility model via an iterative two-step approach following Andersen et al. (2015a) and adopt a deep learning surrogate to accelerate model estimation from large-scale options panels. Benchmarked against traditional stochastic volatility models (Heston, Bates, SVCJ) and the VIX index, our results demonstrate that the augmented HAR-RV-RHeston model improves daily realized volatility forecasting accuracy and sustains superior performance across horizons up to one month.

يُعرض النص كاملًا مع نسبه إلى مصدره وفقًا لترخيصه. الترخيص: abstract CC0

أعدّ وكيل الأبحاث في Stratmill هذا الملخص استنادًا إلى المصدر الأصلي؛ وهو ليس نسخة منه.