Изменяющиеся во времени факторы волатильности для прогноза и парного трейдинга

Сводка

В документе описана не зависящая от модели схема прогнозирования волатильности активов: из реализованной волатильности извлекается компактный набор меняющихся во времени факторов. Эти факторы предназначены для отражения меняющихся совместных движений разных активов при умеренных вычислительных затратах и призваны устранить ограничения статических факторных нагрузок и высокую стоимость полностью многомерных моделей. Их можно добавлять к статистическим методам прогнозирования или методам на основе AI, чтобы представить как общерыночную, так и специфичную для актива динамику.

Схема оценивается на акциях крупных технологических компаний США и основных криптовалютах на горизонтах в один и семь дней. В статье сообщается о повышении точности прогнозов и экономической ценности в линейных и нелинейных моделях; парная торговая стратегия на основе прогнозов описывается как прибыльная и обеспечивающая более высокую доходность с поправкой на риск, особенно в неблагоприятных условиях. В резюме не указаны периоды выборки, бенчмарки, издержки или процедуры проверки, поэтому независимо оценить заявленные улучшения по этому описанию невозможно.

Ключевые идеи

• Меняющиеся во времени факторы, извлечённые из реализованной волатильности, могут отражать изменение совместных движений разных активов.
• Компактный набор факторов призван снизить вычислительные затраты по сравнению с полностью многомерными моделями волатильности.
• Факторы можно добавлять к статистическим методам прогнозирования и методам на основе AI.
• Схема оценивается на акциях технологических компаний США и основных криптовалютах на кратко- и среднесрочных горизонтах.
• В документе сообщается о преимуществах для прогноза волатильности и парной торговли на основе прогнозов, но подробностей проверки мало.

Теги

# 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.

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.