¿Cómo predecir la volatilidad esperada a partir de datos de panel de acciones de alta frecuencia?

Question

Estoy recorriendo el vasto mar de literatura sobre la estimación de la volatilidad realizada y la previsión de la volatilidad esperada (véase, por ejemplo Volatilidad realizada de Andersen y Benzoni, que cita otros 120 trabajos, y Volatilidad de Bandi y Russell, que cita un conjunto de 120 artículos que se solapan ligeramente).

Me resulta difícil encontrar investigaciones que aborden específicamente la estimación simultánea de una amplia sección transversal de la volatilidad de las acciones a partir de series temporales de rendimientos de alta frecuencia. Estoy buscando algo en la línea de Autoregresión vectorial (VAR) pero aplicando tanto técnicas sofisticadas desarrolladas para la estimación de grandes paneles de acciones (se estiman miles de volatilidades y potencialmente millones de correlaciones) como utilizando los recientes avances desarrollados para estimación eficaz con datos de alta frecuencia .

¿Qué trabajos abordan el problema específico de la previsión de la sección transversal de la volatilidad de la renta variable a partir de datos de alta frecuencia?

Answer 1

Por lo que sé, la respuesta corta es negativa: no hay una teoría bien desarrollada sobre cómo previsión volatilidad realizada transversal. Desde el punto de vista de la estadística/econometría, la mayoría de las investigaciones recientes todavía están tratando de encontrar su camino alrededor de estimación de la volatilidad transversal realizada, y hasta ahora incluso en este ámbito el progreso es lento.

Llevar las técnicas modernas a los datos de panel equivale a poder:

1. Extraer información de los datos de las transacciones irregulares (UHFT o nivel de ticks),
2. tratar el "ruido de la microestructura",

en un entorno multivariante en el que los problemas adicionales de la negociación no sincronizada y la alta dimensionalidad complican el análisis, junto con los problemas habituales que conllevan los estimadores HAC (como los problemas de dimensionalidad que menciona @QuantGuy).

Existen dos herramientas principales para abordar la estimación: (1) el enfoque de promediación pre/post de Ait-Sahalia, Mykland, Renault (y otros) y (2) el suavizado de kernel de Barndorff-Nielsen, Hansen (y otros) [el tercer hijo, es decir, el VAR y su equipo, parece estar al margen últimamente, pero me alegraría que se demostrara lo contrario]. De estos dos enfoques, sólo el segundo ha madurado una tecnología (núcleos multivariantes realizados) que se publica ( aquí ).

Answer 2

Comprueba Un enfoque de bloqueo y regularización para la estimación de la covarianza realizada en alta dimensión .

Resumen:

Introducimos un enfoque de bloqueo y regularización para estimar covarianzas de alta dimensión utilizando datos de alta frecuencia. Los activos se agrupan primero según su liquidez. Utilizando el estimador kernel realizado multivariante de Barndorff-Nielsen et al. (2010), la matriz de covarianza se estima por bloques y luego se regulariza. El rendimiento del estimador de bloqueo y regularización ("RnB") resultante se analiza en un amplio estudio de simulación que imita las características de liquidez y microestructura del mercado del universo S&P 1500. El estimador RnB produce ganancias de eficiencia para diferentes configuraciones de liquidez, ratios de ruido/señal y dimensiones. Una aplicación empírica de estimación de las covarianzas diarias del índice S&P 500 confirma los resultados de la simulación.