Optionsbasierte Rough-Volatilitätsschätzungen verbessern HAR-Prognosen

Zusammenfassung

Diese Studie untersucht, ob Schätzungen der Spot-Volatilität aus gehandelten Optionen die Prognosen der realisierten Volatilität verbessern können. Sie ergänzt ein Heterogeneous Autoregressive-Modell für realisierte Volatilität um eine Schätzung der Rough Stochastic Volatility, die anhand eines iterativen zweistufigen Verfahrens auf Basis früherer Arbeiten abgeleitet wird. Ein Deep-Learning-Ersatzmodell beschleunigt die Schätzung über große Optionspanels hinweg.

Die erweiterte Spezifikation HAR-RV-RHeston wird mit herkömmlichen stochastischen Volatilitätsmodellen verglichen, darunter Heston, Bates und SVCJ, sowie mit dem VIX-Index. Die berichteten Ergebnisse zeigen eine höhere Genauigkeit bei täglichen Prognosen der realisierten Volatilität; die bessere Leistung hält über Prognosehorizonte von bis zu einem Monat an. Das Dokument vergleicht Prognosen, nennt jedoch weder den Datenzeitraum und Bewertungskennzahlen noch die statistische Signifikanz. Stärke und Allgemeingültigkeit der berichteten Verbesserungen lassen sich daher anhand dieser Zusammenfassung allein nicht beurteilen.

Kernaussagen

• Das Modell prüft, ob die aus Optionen abgeleitete Spot-Volatilität den Prognosewert eines HAR-Modells für realisierte Volatilität erhöht.
• Die Spot-Volatilität wird unter einem Rough-Stochastic-Volatility-Modell mithilfe eines iterativen zweistufigen Verfahrens geschätzt.
• Ein Deep-Learning-Ersatzmodell beschleunigt die Schätzung anhand großer Optionspanels.
• Das erweiterte Modell wird mit Heston, Bates, SVCJ und VIX verglichen.
• Die berichteten Prognoseverbesserungen reichen von täglichen Vorhersagen bis zu Horizonten von einem Monat.

Schlagwörter

# 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.

Vollständig mit Quellenangabe unter der Lizenz der Quelle angezeigt. Lizenz: abstract CC0

Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.