Raue Volatilität, fraktionale stochastische Modelle und Prognosen

Zusammenfassung

Das Dokument nutzt aktuelle Hochfrequenzdaten, um zu untersuchen, wie gleichmäßig sich die Volatilität im Zeitverlauf verändert. Es berichtet, dass sich die Log-Volatilität über angemessene Zeitskalen ungefähr wie fraktionale Brownsche Bewegung mit einem sehr niedrigen Hurst-Exponenten verhält. Darauf aufbauend verwenden die Autoren einen fraktionalen stochastischen Volatilitätsrahmen mit einem Exponenten unter einem Halb, den sie Rough FSV nennen.

Das Modell wird als mit Finanzzeitreihen vereinbar beschrieben und soll Prognosen der realisierten Volatilität verbessern. Die Analyse erklärt außerdem, warum herkömmliche Persistenztests Daten aus einem Prozess mit rauer Volatilität fälschlich als langes Gedächtnis einstufen können, obwohl dem Modell selbst ein langes Gedächtnis fehlt. Eine vorgeschlagene Erklärung aus der Mikrostruktur verbindet die Rauheit mit Hochfrequenzhandel und der Aufteilung von Orders. Der Auszug nennt weder Datensätze noch Prognose-Benchmarks oder numerische Leistungskennzahlen; die berichteten Prognoseverbesserungen und ihre Reichweite lassen sich daher hier nicht unabhängig beurteilen.

Kernaussagen

• Die Studie stellt fest, dass die Log-Volatilität ein raues fraktionales Verhalten mit niedrigem Hurst-Exponenten aufweist.
• Das vorgeschlagene Rough-FSV-Modell verwendet einen Exponenten unter einem Halb.
• Die Autoren berichten verbesserte Prognosen der realisierten Volatilität, nennen im Auszug aber keine Benchmarkdetails.
• Standardmäßige Persistenztests können auf ein langes Gedächtnis hindeuten, obwohl die Daten aus einem Modell mit rauer Volatilität stammen.
• Das Dokument bringt die Rauheit der Volatilität mit Hochfrequenzhandel und der Aufteilung von Orders in Verbindung.

Schlagwörter

# Volatility is rough


# Volatility is rough









Estimating volatility from recent high frequency data, we revisit the question of the smoothness of the volatility process. Our main result is that log-volatility behaves essentially as a fractional Brownian motion with Hurst exponent H of order 0.1, at any reasonable time scale. This leads us to adopt the fractional stochastic volatility (FSV) model of Comte and Renault. We call our model Rough FSV (RFSV) to underline that, in contrast to FSV, H<1/2. We demonstrate that our RFSV model is remarkably consistent with financial time series data; one application is that it enables us to obtain improved forecasts of realized volatility. Furthermore, we find that although volatility is not long memory in the RFSV model, classical statistical procedures aiming at detecting volatility persistence tend to conclude the presence of long memory in data generated from it. This sheds light on why long memory of volatility has been widely accepted as a stylized fact. Finally, we provide a quantitative market microstructure-based foundation for our findings, relating the roughness of volatility to high frequency trading and order splitting.

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.