Factores de volatilidad variables en el tiempo para pronósticos y trading de pares

Resumen

Este documento describe un marco independiente del modelo para pronosticar la volatilidad de los activos mediante la extracción de un conjunto compacto de factores variables en el tiempo a partir de volatilidades realizadas. Los factores buscan captar los cambios en la covariación entre activos sin que el cálculo resulte demasiado costoso, y abordan una limitación de las cargas factoriales estáticas y el coste de los modelos totalmente multivariantes. Pueden añadirse a métodos de pronóstico estadísticos o basados en AI para representar tanto la dinámica general del mercado como la específica de cada activo.

El marco se evalúa con acciones estadounidenses de tecnología de gran capitalización y criptomonedas principales, para horizontes de uno y siete días. El artículo informa de una mayor precisión predictiva y valor económico en modelos lineales y no lineales, y describe como rentable una estrategia de trading de pares basada en los pronósticos, con mejores rendimientos ajustados al riesgo, especialmente en condiciones adversas. El resumen no especifica los periodos de muestra, los valores de referencia, los costes ni los procedimientos de validación, por lo que no es posible evaluar de forma independiente las mejoras descritas.

Ideas clave

• Los factores variables en el tiempo extraídos de la volatilidad realizada pueden representar cambios en la covariación entre activos.
• Un conjunto compacto de factores busca reducir la carga de cálculo de los modelos de volatilidad totalmente multivariantes.
• Los factores pueden complementar métodos de pronóstico estadísticos y basados en AI.
• El marco se evalúa con acciones tecnológicas estadounidenses y criptomonedas principales en horizontes cortos y medios.
• El documento informa de mejoras en la predicción de volatilidad y en una estrategia de trading de pares basada en pronósticos, pero ofrece pocos detalles de validación.

Etiquetas

# Time-Varying Factor-Augmented Models for Volatility Forecasting


# Time-Varying Factor-Augmented Models for Volatility Forecasting









Accurate volatility forecasts are vital in modern finance for risk management, portfolio allocation, and strategic decision-making. However, existing methods face key limitations. Fully multivariate models, while comprehensive, are computationally infeasible for realistic portfolios. Factor models, though efficient, primarily use static factor loadings, failing to capture evolving volatility co-movements when they are most critical. To address these limitations, we propose a novel, model-agnostic Factor-Augmented Volatility Forecast framework. Our approach employs a time-varying factor model to extract a compact set of dynamic, cross-sectional factors from realized volatilities with minimal computational cost. These factors are then integrated into both statistical and AI-based forecasting models, enabling a unified system that jointly models asset-specific dynamics and evolving market-wide co-movements. Our framework demonstrates strong performance across two prominent asset classes-large-cap U.S. technology equities and major cryptocurrencies-over both short-term (1-day) and medium-term (7-day) horizons. Using a suite of linear and non-linear AI-driven models, we consistently observe substantial improvements in predictive accuracy and economic value. Notably, a practical pairs-trading strategy built on our forecasts delivers superior risk-adjusted returns and profitability, particularly under adverse market conditions.

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.