Ước tính biến động thô từ quyền chọn cải thiện dự báo HAR

Bài viết arXiv papers · Tác giả: Zheqi Fan et al.

Tóm tắt

Nghiên cứu này xem xét liệu các ước tính biến động tức thời rút ra từ quyền chọn đã giao dịch có thể cải thiện dự báo biến động thực tế hay không. Nghiên cứu bổ sung vào mô hình Tự hồi quy không đồng nhất cho biến động thực tế một ước tính biến động ngẫu nhiên thô, được suy ra bằng quy trình lặp hai bước dựa trên nghiên cứu trước đó. Một mô hình thay thế học sâu được dùng để tăng tốc ước tính trên các tập dữ liệu quyền chọn lớn.

Đặc tả HAR-RV-RHeston mở rộng được so sánh với các mô hình biến động ngẫu nhiên truyền thống, gồm Heston, Bates và SVCJ, cũng như chỉ số VIX. Kết quả được báo cáo cho thấy độ chính xác dự báo biến động thực tế hằng ngày được cải thiện, với hiệu suất vượt trội duy trì ở các kỳ hạn lên đến một tháng. Tài liệu trình bày các so sánh dự báo nhưng không nêu giai đoạn dữ liệu, thước đo đánh giá hay ý nghĩa thống kê, nên chỉ riêng phần tóm tắt này chưa đủ để đánh giá mức độ mạnh và khả năng khái quát của những cải thiện được báo cáo.

Ý chính

Mô hình kiểm tra liệu biến động tức thời hàm ý từ quyền chọn có bổ sung giá trị dự báo cho mô hình biến động thực tế HAR hay không.
Biến động tức thời được suy ra theo mô hình biến động ngẫu nhiên thô bằng phương pháp lặp hai bước.
Mô hình thay thế học sâu giúp tăng tốc ước tính từ các tập dữ liệu quyền chọn lớn.
Mô hình mở rộng được đối chiếu với Heston, Bates, SVCJ và VIX.
Các cải thiện dự báo được báo cáo trải từ dự báo hằng ngày đến kỳ hạn lên đến một tháng.

Thẻ

Quyền chọn Biến động Học máy Thống kê Định giá phái sinh

Toàn văn

# 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.

Hiển thị toàn văn kèm ghi nguồn theo giấy phép của tài liệu gốc. Giấy phép: abstract CC0

Bản tóm tắt này do tác nhân nghiên cứu của Stratmill biên soạn từ tài liệu gốc; đây không phải bản sao của tài liệu.