Buscando consejo sobre la normalización del cambio en la volatilidad implícita para modelar opciones

Question

Estoy trabajando con un conjunto de datos sustancial que abarca cinco años de datos de opciones semanales, con registros hasta el segundo. Mi objetivo es desarrollar un modelo que pueda predecir con precisión la función de masa de probabilidad (PMF) de la reacción de la volatilidad implícita (IV) BSM ATM en 1 día si se proporcionan la IV actual, el tiempo actual hasta el vencimiento (DTE) y el cambio porcentual en el activo subyacente.

Aquí es donde busco consejo: Los cambios en la volatilidad implícita varían significativamente con el DTE, y las opciones que se acercan al vencimiento muestran cambios más grandes en comparación con aquellas que están más lejos.

Para abordar este problema, estoy buscando derivar el valor normalizado del cambio en la volatilidad implícita para varios vencimientos en relación con el cambio porcentual en el activo subyacente en 1 día.

Después de normalizar el cambio en la volatilidad implícita, usaré la estimación de densidad de núcleo (KDE) para construir su distribución.

Agradecería mucho cualquier visión, las mejores prácticas o recomendaciones de practicantes experimentados en el campo con respecto al proceso de normalización.

Gracias a todos por su tiempo y ayuda.

Answer 1

Hice un poco de investigación sobre la normalización de VI, donde utilicé el promedio transversal de VI entre los VI de las opciones (con diferentes precios de ejercicio). También puedes usar un promedio de VI de series temporales, como el VI de esa opción durante el último mes. Ambos promedios se pueden usar para escalar/normalizar los valores de tu VI.

No estoy seguro si esta es la forma en la industria, pero hay académicos que han utilizado ambos de estos métodos que mencioné anteriormente.