Грубая волатильность, дробные стохастические модели и прогнозирование

Сводка

В документе используются недавние высокочастотные данные, чтобы изучить плавность изменений волатильности во времени. Согласно результатам, логарифм волатильности на разумных временных масштабах ведёт себя приблизительно как дробное броуновское движение с очень низким показателем Хёрста. На этом основании авторы используют модель дробной стохастической волатильности с показателем ниже одной второй, которую называют Rough FSV.

Модель описывается как согласующаяся с финансовыми временными рядами и улучшающая прогнозы реализованной волатильности. Анализ также объясняет, почему обычные тесты персистентности могут ошибочно принять данные процесса с грубой волатильностью за длинную память, хотя сама модель длинной памяти не имеет. Предлагаемое объяснение на основе микроструктуры связывает грубость с высокочастотной торговлей и дроблением заявок. В отрывке нет наборов данных, бенчмарков прогнозов или численных показателей эффективности, поэтому сообщаемые улучшения прогнозов и область их применимости здесь нельзя независимо оценить.

Ключевые идеи

• Исследование показывает, что логарифм волатильности ведёт себя как грубый дробный процесс с низким показателем Хёрста.
• Предложенная модель Rough FSV использует показатель ниже одной второй.
• Авторы сообщают об улучшении прогнозов реализованной волатильности, но в отрывке нет подробностей о бенчмарках.
• Стандартные тесты персистентности могут указывать на длинную память, даже если данные получены из модели с грубой волатильностью.
• Авторы связывают грубость волатильности с высокочастотной торговлей и дроблением заявок.

Теги

# Volatility is rough


# Volatility is rough









Estimating volatility from recent high frequency data, we revisit the question of the smoothness of the volatility process. Our main result is that log-volatility behaves essentially as a fractional Brownian motion with Hurst exponent H of order 0.1, at any reasonable time scale. This leads us to adopt the fractional stochastic volatility (FSV) model of Comte and Renault. We call our model Rough FSV (RFSV) to underline that, in contrast to FSV, H<1/2. We demonstrate that our RFSV model is remarkably consistent with financial time series data; one application is that it enables us to obtain improved forecasts of realized volatility. Furthermore, we find that although volatility is not long memory in the RFSV model, classical statistical procedures aiming at detecting volatility persistence tend to conclude the presence of long memory in data generated from it. This sheds light on why long memory of volatility has been widely accepted as a stylized fact. Finally, we provide a quantitative market microstructure-based foundation for our findings, relating the roughness of volatility to high frequency trading and order splitting.

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.