跳至正文
返回文库全部文档

基于期权的粗糙波动率估计改善HAR预测

文章 arXiv papers · 作者: Zheqi Fan et al.
阅读原文

总结

本研究探讨从已交易期权中提取的现货波动率估计值能否改善已实现波动率预测。研究在已实现波动率异质自回归模型中加入粗糙随机波动率估计，该估计通过基于早期研究的迭代两步流程得出。研究采用深度学习替代模型，加快对大型期权面板的估计。

增强后的HAR-RV-RHeston规格与传统随机波动率模型进行比较，包括Heston、Bates和SVCJ，以及VIX指数。报告结果显示，每日已实现波动率预测准确度有所提高，且优势持续至一个月以内的各预测期限。该文进行了预测比较，但未说明数据时期、评估指标或统计显著性，因此仅凭这份摘要无法评估所报告提升的力度和普适性。

核心观点

  • 该模型检验期权隐含现货波动率能否为HAR已实现波动率模型增加预测价值。
  • 在粗糙随机波动率模型下，现货波动率通过迭代两步法进行估计。
  • 深度学习替代模型加快了对大型期权面板的估计。
  • 增强后的模型与Heston、Bates、SVCJ和VIX进行基准比较。
  • 报告的预测改进从每日预测延伸至一个月以内的期限。

标签

期权波动率机器学习统计学衍生品定价
全文
# 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.

在遵守原作品许可的前提下，附作者信息全文展示。 许可协议: abstract CC0

此摘要由 Stratmill 研究智能体根据原文撰写，并非原文副本。