[论文解读] On the universality of the volatility formation process: when machine learning and rough volatility agree

Mathieu Rosenbaum, Jianfei Zhang|arXiv (Cornell University)|Jun 28, 2022

Stock Market Forecasting Methods被引用 11

一句话总结

本文通过在每日收益和波动率上训练的池化LSTM模型，展示了在数百只流动性股票中波动率形成过程的普适性，该模型表现优于资产特定的参数化模型。一个参数固定、结合粗糙分数阶随机波动率（RFSV）与二次粗糙Heston（QRH）模型的简约组合，可复现LSTM的性能，证实了由历史波动率和价格趋势驱动的普遍非参数机制的存在。

ABSTRACT

We train an LSTM network based on a pooled dataset made of hundreds of liquid stocks aiming to forecast the next daily realized volatility for all stocks. Showing the consistent outperformance of this universal LSTM relative to other asset-specific parametric models, we uncover nonparametric evidences of a universal volatility formation mechanism across assets relating past market realizations, including daily returns and volatilities, to current volatilities. A parsimonious parametric forecasting device combining the rough fractional stochastic volatility and quadratic rough Heston models with fixed parameters results in the same level of performance as the universal LSTM, which confirms the universality of the volatility formation process from a parametric perspective.

研究动机与目标

• 探究是否存在一种普遍适用的波动率形成机制，该机制独立于个别资产的特征。
• 检验是否可通过在汇总数据上训练的单一非参数机器学习模型，在预测日度实现波动率方面，持续优于资产特定的参数化模型。
• 确定是否可使用一个简单、参数固定的参数化模型，复现通用非参数LSTM的性能，从而证实底层波动率动态的普适性。
• 考察历史波动率与历史收益（尤其是价格趋势）在塑造当前波动率中的作用，特别是价格趋势对波动率的反馈效应。

提出的方法

• 使用超过800只流动性股票的汇总数据集，训练一个长短期记忆（LSTM）网络，以日度实现波动率和收益作为输入，预测次日波动率。
• 在包括美国和欧洲股票在内的训练市场和非训练市场中，对LSTM模型进行样本外评估，以检验其泛化能力和普适性。
• 构建一个参数化基准，采用参数固定的粗糙分数阶随机波动率（RFSV）与二次粗糙Heston（QRH）模型，仅在汇总数据集上校准一次。
• 使用均方误差（MSE）作为评估指标，将LSTM的性能与股票特定的参数化模型（如HAR）以及固定参数的RFSV+QRH混合模型进行比较。
• RFSV+QRH预测通过加权平均组合：$(1-\lambda)\hat{\sigma}^{RFSV} + \lambda\hat{\sigma}^{QRH}$，其中$\lambda \approx 0.1$时性能最优。
• 通过在不同市场和时间段内估计$a$、$b$和$c$，检验参数稳定性，固定参数模型采用中位数估计值。

实验结果

研究问题

• RQ1 在多样化流动性股票中，是否存在一种独立于个别资产特定动态的普遍波动率形成机制？
• RQ2 是否可通过在汇总数据上训练的单一非参数LSTM模型，持续优于资产特定的参数化模型，在预测日度实现波动率方面表现更优？
• RQ3 是否可使用一个基于粗糙波动率与Zumbach效应的简单、固定参数参数化模型，复现通用LSTM的性能？
• RQ4 在不同资产中，历史波动率与历史收益（尤其是价格趋势）对当前波动率的相对贡献如何？

主要发现

• 在超过800只股票的汇总数据集上训练的通用LSTM模型，在样本外波动率预测中持续优于资产特定的参数化模型。
• LSTM在未见过的市场（如欧洲股市）中表现出良好的泛化能力，无需微调，表明所学习的波动率形成机制具有鲁棒性和普适性。
• 参数固定、结合RFSV与QRH模型，且$H = 0.055$，$a = 0.043$，$b = 0.74$，$c = 0.55$，其预测性能与通用LSTM相当。
• 在美国和欧洲市场中，参数估计的中位数显示离散度低，支持存在稳定、普遍的波动率形成过程。
• QRH模型中引入的Zumbach效应——即历史价格趋势对波动率的反馈——提升了性能，尤其在与RFSV结合时，最优$\lambda \approx 0.1$。
• 研究证实，普遍波动率形成过程的核心特征由粗糙波动率范式与强Zumbach效应共同捕捉，且在不同资产间参数变化极小。