[论文解读] Volatility around the clock: Bayesian modeling and forecasting of intraday volatility in the nancial crisis

Jonathan Stroud, Michael Johannes|arXiv (Cornell University)|Nov 13, 2012

Financial Risk and Volatility Modeling参考文献 28被引用 1

一句话总结

本文提出一种贝叶斯分层模型，利用5分钟内盘收益估计2007–2009年金融危机期间的多个随机波动率因子、跳跃、季节性以及市场微观结构效应。通过采用无需实现波动率聚合的集成MCMC与粒子滤波方法，其样本外波动率预测精度相比基准方法最高提升50%。

ABSTRACT

High frequency data provides a rich source of information for understanding nan- cial markets and time series properties of returns. This paper estimates models of high frequency index futures returns using 'around the clock' 5-minute returns that incorporate the following key features: multiple persistent stochastic volatility factors, jumps in prices and volatilities, seasonal components capturing time of the day pat- terns, correlations between return and volatility shocks, and announcement eects. We develop an integrated MCMC approach to estimate interday and intraday parameters and states using high-frequency data without resorting to various aggregation measures like realized volatility. We provide a case study using nancial crisis data from 2007 to 2009, and use particle lters to construct likelihood functions for model comparison and out-of-sample forecasting from 2009 to 2012. We show that our approach improves realized volatility forecasts by up to 50% over existing benchmarks.

研究动机与目标

• 使用高频数据对2007–2009年金融危机期间的日内波动率动态进行建模。
• 整合多个持久的随机波动率因子、价格与波动率中的跳跃以及日内季节性模式。
• 估计收益冲击与波动率冲击之间的相关性，以及宏观经济公告的影响。
• 利用粒子滤波与MCMC开发基于似然的模型比较与预测框架。
• 在不进行聚合的前提下，利用完整的高频数据，使波动率预测精度超越实现波动率基准。

提出的方法

• 使用股指期货的5分钟收益率，通过多个随机波动率因子对日内波动率进行建模。
• 采用贝叶斯分层模型，联合估计跨日与日内参数及未观测状态。
• 应用集成马尔可夫链蒙特卡洛（MCMC）算法，从参数与状态的联合后验分布中进行抽样。
• 通过波动率方程中的确定性季节性成分引入日内季节性。
• 利用潜变量泊松过程与跳跃大小分布对收益与波动率中的跳跃进行建模。
• 利用粒子滤波构建似然函数，用于模型比较与2009至2012年的样本外预测。

实验结果

研究问题

• RQ1 多个随机波动率因子与跳跃在金融危机期间如何影响日内波动率动态？
• RQ2 日内季节性模式与公告效应在多大程度上改善了波动率建模？
• RQ3 对高频数据采用完全贝叶斯且非聚合的方法，是否能在预测中超越实现波动率基准？
• RQ4 该模型在市场压力时期对收益与波动率冲击的联合动态捕捉效果如何？
• RQ5 该模型在2009至2012年样本外预测中的预测性能如何？

主要发现

• 所提出的模型相比现有基准，样本外波动率预测精度最高提升50%。
• 整合多个随机波动率因子与跳跃显著提升了模型拟合度与预测准确性。
• 引入日内季节性成分与公告效应，使模型对日内波动率模式的捕捉优于无此类要素的模型。
• 基于粒子滤波的似然构造方法，实现了可靠的模型比较与样本外评估。
• MCMC框架成功估计了跨日与日内参数及未观测状态，且无需依赖实现波动率度量。
• 该模型在危机后时期（2009–2012年）表现出强大的预测能力，表明其在危机阶段之外也具有稳健性。