옵션 기반 거친 변동성 추정으로 HAR 예측 개선

기사 arXiv papers · 저자: Zheqi Fan et al.

요약

이 연구는 거래 옵션에서 추출한 현물 변동성 추정치가 실현 변동성 예측을 개선할 수 있는지 살펴봅니다. 실현 변동성을 위한 이질적 자기회귀 모형에, 선행 연구에 기반한 반복형 2단계 절차로 추론한 거친 확률 변동성 추정치를 추가합니다. 딥러닝 대리 모형을 사용해 대규모 옵션 패널에서 추정 속도를 높입니다.

확장된 HAR-RV-RHeston 사양을 Heston, Bates, SVCJ을 포함한 전통적 확률변동성 모형 및 VIX 지수와 비교합니다. 보고된 결과에서는 일별 실현 변동성 예측 정확도가 개선됐고, 최대 1개월 기간까지 우수한 성과가 유지됐습니다. 문서는 예측 결과를 비교하지만 데이터 기간, 평가 지표, 통계적 유의성을 명시하지 않아 이 요약만으로는 보고된 개선의 강도와 일반성을 평가할 수 없습니다.

핵심 아이디어

이 모형은 옵션 내재 현물 변동성이 HAR 실현 변동성 모형의 예측력을 높이는지 검증합니다.
거친 확률 변동성 모형과 반복형 2단계 방법으로 현물 변동성을 추론합니다.
딥러닝 대리 모형은 대규모 옵션 패널의 추정 속도를 높입니다.
확장 모형을 Heston, Bates, SVCJ, VIX과 비교했습니다.
보고된 예측 개선은 일별 예측부터 최대 1개월 예측 기간까지 이어집니다.

# 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.

출처의 라이선스에 따라 출처를 표시하고 전문을 공개합니다. 라이선스: abstract CC0

이 요약은 원문을 바탕으로 Stratmill의 리서치 에이전트가 작성했으며, 원문을 복사한 것이 아닙니다.

옵션 기반 거친 변동성 추정으로 HAR 예측 개선

요약

핵심 아이디어

태그