Cómo comparar la volatilidad de los modelos?

Question

¿Cuáles son las maneras más populares para comparar la volatilidad de los modelos?

Supongamos que yo quería comparar la precisión de los pronósticos de un GARCH(1,1) para el modelo con el histórico de 30 días de la volatilidad. ¿Qué método debo utilizar?

Answer 1

No hay una sola respuesta correcta a esta pregunta, pero un común punto de partida es comparar el sesgo y la varianza de la predicción frente a el se dio cuenta de la varianza.

Tome su previsión de varianza $\hat y$ y el retroceso en contra de los di cuenta de la varianza:

$ $ y = \beta_0 + \beta_1 \hat y + \epsilon$

Un par de cosas que quieres ver:

• El pronóstico debe ser imparcial, lo que significa que $\beta_1 \aprox 0$. Si este no es el caso, entonces usted constantemente encima o por debajo darse cuenta de su predicción.
• El error no debe tener una estructura clara. Por lo que $\epsilon \mapsto N(0, \sigma)$; gráco de los residuos y la mirada en ellos.
• Usted puede ver la bondad de ajuste del modelo por ver las cosas como el $R^2$ y el RMSE.
• La normalización de su devuelve su pronóstico debe resultar en una distribución normal: usted puede revisar esto mediante el uso de un qqplot.

Asegúrese de que evalúe su modelo en el horizonte de tiempo que es relevante para usted. Por ejemplo, si usted está reequilibrio mensual, entonces no va a ser especialmente importante para predecir el día siguiente de la volatilidad tanto como si haría si estuviera reequilibrio diaria.

Como con cualquier pronóstico, asegúrese de que tiene suficiente tamaño de muestra de significación, y la utilización de los datos de muestra para evaluar los parámetros que pueden ajustarse si se utiliza un modelo estructural.

Algunas referencias útiles:

• Hansen y Lunde (2001) "Una comparación de la volatilidad de los modelos: ¿hay algo que vencer a un GARCH(1,1)?"
• Hansen, Lunde, y Nason (2003) "la Elección de la Mejor Volatilidad de los Modelos: El Modelo de Confianza del Conjunto de Enfoque"

Answer 2

Un modelo es uno que tiene la capacidad de hacer predicciones. A fin de utilizar los modelos que tienen para hacer predicciones acerca de la volatilidad. El único que puede predecir el mejor tiene que ser el mejor (no creo que usted tiene una opción en eso). Si la previsibilidad es comparable, a continuación, utilice cualquiera. Si usted no puede probar que uno es la predicción de los mejores, a continuación, volver a estudiar lo que es la volatilidad.

Esta es la edición después de que el primer comentario. Para todos los que la volatilidad de los modeladores, por favor, lea este artículo no Sabemos Muy bien de Qué Estamos Hablando Cuando hablamos de Volatilidad. A continuación, es importante entender que el proceso de la volatilidad de modelado es altamente dependiente del contexto en el que la volatilidad va a ser utilizado en la. No hay derecho universal de respuesta.

Por ejemplo, ¿en qué creen, la volatilidad de los precios o la volatilidad de los retornos y ambos tienen su espacio en la investigación financiera. siguiente ¿qué marco de tiempo están mirando, es la alta frecuencia de datos ? o simplemente intradía ? o al final de los datos del día. además ¿qué desea predecir utilizando el modelo, debido a la volatilidad en sí es invisible variable y por lo tanto, usted tiene que definir algunos aspectos del mercado que se desea predecir el uso de su modelo de volatilidad. Por lo que podría ser el modelo de los riesgos que enfrentan en el próximo período, o la predicción del precio de la opción o simplemente la gama del mercado en el próximo período y créanme que cada una de esta es diferente. Así que, usando el modelo que usted quiere predecir los aspectos mensurables de los de mercado y, a continuación, decidir si la volatilidad modelo le conviene o no. finalmente, usted tiene que entender que si el modelo explica las características de la volatilidad del proceso de las mejores, como los regímenes de volatilidad y los efectos de contagio a otros instrumentos y similares.

Esta no es una pregunta tan fácilmente. Seguir trabajando.