La volatilité rugueuse estimée à partir des options améliore les prévisions de HAR

Résumé

Cette étude cherche à savoir si les estimations de la volatilité instantanée extraites des options négociées peuvent améliorer les prévisions de volatilité réalisée. Elle enrichit un modèle autorégressif hétérogène de la volatilité réalisée avec une estimation de volatilité stochastique rugueuse, obtenue par une procédure itérative en deux étapes fondée sur des travaux antérieurs. Un modèle de substitution par apprentissage profond accélère l’estimation sur de grands panels d’options.

La spécification augmentée HAR-RV-RHeston est comparée à des modèles traditionnels de volatilité stochastique, dont Heston, Bates et SVCJ, ainsi qu’à l’indice VIX. Les résultats rapportés montrent une meilleure précision des prévisions quotidiennes de volatilité réalisée, avec des performances supérieures jusqu’à un horizon d’un mois. Le document présente des comparaisons de prévisions, mais ne précise ni la période des données, ni les mesures d’évaluation, ni la significativité statistique ; la solidité et la généralité des gains rapportés ne peuvent donc pas être évaluées à partir de ce seul résumé.

Idées clés

• Le modèle teste si la volatilité instantanée implicite des options apporte un pouvoir prédictif à un modèle HAR de volatilité réalisée.
• La volatilité instantanée est estimée avec un modèle de volatilité stochastique rugueuse selon une méthode itérative en deux étapes.
• Un modèle de substitution par apprentissage profond accélère l’estimation à partir de grands panels d’options.
• Le modèle augmenté est comparé à Heston, Bates, SVCJ et VIX.
• Les améliorations de prévision rapportées s’étendent des prévisions quotidiennes aux horizons allant jusqu’à un mois.

Étiquettes

# 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.

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.