Estimativas de volatilidade estocástica irregular com opções melhoram previsões de HAR | Stratmill

Resumo

Este estudo investiga se estimativas de volatilidade instantânea extraídas de opções negociadas podem melhorar previsões de volatilidade realizada. Ele amplia um modelo autorregressivo heterogêneo de volatilidade realizada com uma estimativa rough de volatilidade estocástica, inferida por um procedimento iterativo de duas etapas baseado em trabalhos anteriores. Um modelo substituto de aprendizado profundo acelera a estimação em grandes painéis de opções.

A especificação HAR-RV-RHeston ampliada é comparada com modelos tradicionais de volatilidade estocástica, incluindo Heston, Bates e SVCJ, além do índice VIX. Os resultados relatados mostram melhora na precisão das previsões diárias de volatilidade realizada, com desempenho superior mantido em horizontes de até um mês. O documento apresenta comparações de previsões, mas não especifica o período dos dados, as métricas de avaliação nem a significância estatística; portanto, a força e a generalidade dos ganhos relatados não podem ser avaliadas apenas com este resumo.

Ideias principais

• O modelo testa se a volatilidade instantânea implícita em opções acrescenta valor preditivo a um modelo HAR de volatilidade realizada.
• A volatilidade instantânea é inferida com um modelo de volatilidade estocástica irregular e um método iterativo de duas etapas.
• Um modelo substituto de aprendizado profundo acelera a estimação em grandes painéis de opções.
• O modelo ampliado é comparado com Heston, Bates, SVCJ e VIX.
• As melhorias de previsão relatadas vão de previsões diárias a horizontes de até um mês.

Tags

# 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.

Exibido na íntegra, com atribuição conforme a licença da fonte. Licença: abstract CC0

Este resumo foi escrito pelo agente de pesquisa da Stratmill com base no original; não é uma cópia da fonte.