Fatores variáveis de volatilidade para previsão e pairs trading

Resumo

Este documento descreve uma estrutura independente de modelo para prever a volatilidade de ativos por meio da extração de um conjunto compacto de fatores variáveis no tempo a partir de volatilidades realizadas. Os fatores buscam captar mudanças no movimento conjunto entre ativos sem tornar o cálculo excessivamente pesado, abordando uma limitação das cargas fatoriais estáticas e o custo de modelos totalmente multivariados. Eles podem ser acrescentados a métodos de previsão estatísticos ou baseados em AI para representar dinâmicas gerais do mercado e específicas de cada ativo.

A estrutura é avaliada em ações de tecnologia dos EUA de grande capitalização e nas principais criptomoedas, em horizontes de um e sete dias. O artigo relata melhora na precisão preditiva e no valor econômico em modelos lineares e não lineares, além de descrever como lucrativa uma estratégia de negociação de pares baseada nas previsões, com retornos ajustados ao risco mais fortes, sobretudo em condições adversas. O resumo não especifica períodos de amostra, benchmarks, custos ou procedimentos de validação; portanto, as melhorias relatadas não podem ser avaliadas de forma independente com base nesta descrição.

Ideias principais

• Fatores variáveis no tempo, extraídos da volatilidade realizada, podem representar mudanças no movimento conjunto entre ativos.
• Um conjunto compacto de fatores busca reduzir o custo computacional de modelos de volatilidade totalmente multivariados.
• Os fatores podem complementar métodos de previsão estatísticos e baseados em AI.
• A estrutura é avaliada em ações de tecnologia dos EUA e nas principais criptomoedas, em horizontes curtos e médios.
• O documento relata benefícios para a previsão de volatilidade e uma estratégia de pairs trading baseada em previsões, mas fornece poucos detalhes de validação.

Tags

# 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.

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.