Оценки волатильности по опционам улучшают прогнозы HAR

Сводка

В исследовании проверяется, могут ли оценки мгновенной волатильности, полученные из торгуемых опционов, улучшить прогнозы реализованной волатильности. К гетерогенной авторегрессионной модели реализованной волатильности добавлена оценка грубой стохастической волатильности, полученная итеративной двухэтапной процедурой на основе более ранней работы. Для ускорения оценки по большим панелям опционов используется суррогатная модель глубокого обучения.

Дополненная спецификация HAR-RV-RHeston сравнивается с традиционными моделями стохастической волатильности, включая Heston, Bates и SVCJ, а также с индексом VIX. Согласно результатам, точность ежедневных прогнозов реализованной волатильности повысилась, причём преимущество сохранялось на горизонтах до одного месяца. В документе сравниваются прогнозы, но не указаны период данных, метрики оценки или статистическая значимость, поэтому по одному этому краткому описанию нельзя оценить надёжность и общую применимость заявленного улучшения.

Ключевые идеи

• В модели проверяется, добавляет ли подразумеваемая опционами мгновенная волатильность прогностическую ценность к модели реализованной волатильности HAR.
• Мгновенная волатильность оценивается в рамках модели грубой стохастической волатильности с помощью итеративного двухэтапного метода.
• Суррогатная модель глубокого обучения ускоряет оценку по большим панелям опционов.
• Дополненную модель сравнивают с Heston, Bates, SVCJ и VIX.
• По сообщению авторов, улучшение прогнозов наблюдается от ежедневных прогнозов до горизонтов в один месяц.

Теги

# 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.

Полный текст с указанием источника опубликован на условиях его лицензии. Лицензия: abstract CC0

Это краткое изложение подготовлено исследовательским агентом Stratmill по оригиналу и не является его копией.