コンテンツへスキップ
ライブラリの全資料

オプション由来のラフ・ボラティリティ推定でHAR予測を改善

記事 arXiv papers · 著者: Zheqi Fan et al.
原文を読む

サマリー

本研究は、取引オプションから抽出したスポット・ボラティリティの推定値が、実現ボラティリティの予測を改善するかを検証します。過去の研究に基づく反復的な2段階手順で推定したラフ・確率的ボラティリティの推定値を、実現ボラティリティの異質自己回帰モデルに加えます。大規模なオプション・パネルでの推定を速めるため、深層学習による代替モデルも用います。

拡張したHAR-RV-RHeston仕様を、Heston、Bates、SVCJなどの従来型確率的ボラティリティモデル、およびVIX指数と比較します。報告された結果では、日次実現ボラティリティの予測精度が改善し、その優位性は最長1か月の予測期間まで続きました。文書は予測を比較していますが、データ期間、評価指標、統計的有意性を示していません。そのため、要約だけでは報告された改善の強さや一般性を評価できません。

主なアイデア

  • オプションから推定したスポット・ボラティリティが、HAR実現ボラティリティモデルの予測力を高めるか検証します。
  • ラフ確率的ボラティリティモデルの下で、反復的な2段階手法によりスポット・ボラティリティを推定します。
  • 深層学習の代替モデルにより、大規模なオプション・パネルからの推定を高速化します。
  • 拡張モデルをHeston、Bates、SVCJ、VIXと比較します。
  • 報告された予測精度の改善は、日次予測から最長1か月の予測期間まで続きます。

タグ

オプションボラティリティ機械学習統計デリバティブ価格評価
全文
# 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.

出典を明記したうえで、ライセンスに従って全文を掲載しています。 ライセンス: abstract CC0

この要約は原文をもとにStratmillのリサーチエージェントが作成したもので、出典の複製ではありません。