Facteurs de volatilité variables dans le temps pour les prévisions et le trading par paires

Résumé

Ce document décrit un cadre indépendant du modèle pour prévoir la volatilité des actifs en extrayant un ensemble compact de facteurs variables dans le temps à partir des volatilités réalisées. Ces facteurs visent à saisir l’évolution de la co-mobilité entre actifs tout en maintenant un calcul gérable, afin de remédier aux limites des chargements factoriels statiques et au coût des modèles entièrement multivariés. Ils peuvent être intégrés à des méthodes de prévision statistiques ou fondées sur l’AI pour représenter à la fois les dynamiques de marché générales et propres aux actifs.

Le cadre est évalué sur de grandes valeurs technologiques américaines et des cryptomonnaies majeures, pour des horizons d’un et sept jours. L’article rapporte une amélioration de la précision prédictive et de la valeur économique avec des modèles linéaires et non linéaires, et décrit comme rentable une stratégie de trading par paires fondée sur les prévisions, avec de meilleurs rendements ajustés du risque, en particulier dans des conditions défavorables. Le résumé ne précise ni les périodes de l’échantillon, ni les références, les coûts ou les procédures de validation ; ces améliorations ne peuvent donc pas être évaluées indépendamment à partir de cette description.

Idées clés

• Les facteurs variables dans le temps extraits de la volatilité réalisée peuvent représenter l’évolution de la co-mobilité entre actifs.
• Un ensemble compact de facteurs vise à réduire la charge de calcul des modèles de volatilité entièrement multivariés.
• Les facteurs peuvent compléter les méthodes de prévision statistiques et celles fondées sur l’AI.
• Le cadre est évalué sur des actions technologiques américaines et des cryptomonnaies majeures, sur des horizons courts et moyens.
• Le document rapporte des bénéfices pour la prévision de la volatilité et une stratégie de trading par paires fondée sur les prévisions, mais fournit peu de détails sur la validation.

Étiquettes

# 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.

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.