Bayesian Dynamic Modeling of Realized Volatility in Financial Asset Price Forecasting

Technische Zusammenfassung: Bayessche dynamische Modellierung der Realisierten Volatilität bei der Vorhersage von Finanzasset-Preisen

Problemstellung
Die Finanzprognose erfordert effiziente, sequenzielle Methoden, die sich an kurzfristige Volatilitätsschwankungen anpassen und gleichzeitig Hochfrequenzdaten integrieren können. Traditionelle Ansätze stehen vor einem Zielkonflikt: Klassische stochastische Volatilitätsmodelle (SV), die latente Log-Varianzprozesse verwenden, sind flexibel, aber rechenintensiv und erfordern oft Markov-Ketten-Monte-Carlo-Verfahren (MCMC) oder Partikelfilter mit erheblichem Abstimmungsaufwand. Im Gegensatz dazu prognostizieren Modelle der Realisierten Volatilität (RV) empirische Volatilitätsmaße direkt, operieren jedoch häufig außerhalb eines gemeinsamen Zustandsraums für Preis und Volatilität. Hybride Modelle (z. B. Realized SV, Realized GARCH) kombinieren diese Elemente, verlassen sich jedoch typischerweise auf simulationsbasierte Inferenz oder statische Likelihood-Optimierung und fehlt die analytische Handhabbarkeit, die für eine schnelle Online-Überwachung und Skalierung über viele Assets hinweg erforderlich ist. Der Beitrag adressiert die Notwendigkeit eines analytisch handhabbaren, rechnerisch schnellen Rahmens, der Asset-Preise und realisierte Volatilität gemeinsam modelliert, um die Kurzfristprognose und das Risikomanagement zu verbessern, ohne die Last simulationsbasierter Methoden in Kauf nehmen zu müssen.

Methodik
Die Autoren führen eine neue Klasse von Dynamischen Linearen Modellen für Realisierte Volatilität (RV-DLMs) ein. Dieser Rahmen erweitert traditionelle Bayessche Discount-Dynamische Lineare Modelle (DLMs) für Asset-Preise durch die Integration eines dynamischen Gamma-Prozessmodells für die realisierte Varianz.

1. Modellstruktur:

   • Preiskomponente: Das Modell behält die Standard-SV-DLM-Struktur für Log-Preise ($y_t$) bei, wobei ein latenter Zustandsvektor $\theta_t$ und ein Präzisionsparameter $\phi_t$ (inverse Varianz) verwendet werden. Die Entwicklung von $\phi_t$ folgt einem Discount-Lernprozess, der durch einen Discount-Faktor $\beta$ gesteuert wird.
   • Komponente der Realisierten Varianz: Eine neue Beobachtungsgleichung modelliert den Proxy für die realisierte Varianz ($z_t$) als $z_t = \eta_t / \phi_t$, wobei $\eta_t$ einer Gamma-Verteilung folgt. Dies stellt eine bedingte Gamma-Beziehung zwischen dem realisierten Maß und der latenten Präzision her.
   • Bivariate Integration: Das gemeinsame Modell für $(y_t, z_t)$ ist so konstruiert, dass die marginale Vorhersageverteilung für $z_t$ eine skalierte-F-Verteilung ist und die bedingte Verteilung für $y_t$ gegeben $z_t$ eine Student-t-Verteilung ist. Dies bewahrt die konjugierte Normal-Gamma-Struktur des zugrunde liegenden DLM.

2. Volatilitätshebel und Rückkopplung (RVL-DLM):

   • Der Rahmen erlaubt die Einbeziehung von Proxies für realisierte Volatilität als Prädiktoren in die Preisgleichung. Spezifisch kann der Regressionsvektor $F_t$ die gleichzeitige realisierte Standardabweichung ($x_t = \sqrt{z_t}$) sowie verzögerte Werte ($x_{t-1}$) enthalten.
   • Diese Formulierung erfasst reduzierte Hebel- und Rückkopplungseffekte. Der gleichzeitige Koeffizient repräsentiert die unmittelbare Assoziation zwischen Hochfrequenzvolatilität und Preisänderungen, während der verzögerte Koeffizient Effekte über kurze Horizonte erfasst. Das Modell lernt diese Koeffizienten sequenziell aus den Daten, anstatt strukturelle Asymmetrieterme vorzugeben.

3. Inferenz und Berechnung:

   • Das Modell behält die volle analytische Handhabbarkeit bei. Sequenzielle Filterung, Prognose, Evaluation der marginalen Likelihood und retrospektive Glättung werden über geschlossene Form-Updates durchgeführt.
   • Die Prognose für einen Schritt in die Zukunft wird durch direkte zusammengesetzte Simulation erreicht: Ziehen von $z_t$ aus der skalierten-F-Vorhersageverteilung und anschließendes Ziehen von $y_t$ aus der bedingten Student-t-Verteilung.
   • Der Ansatz vermeidet MCMC und Partikelfilter und bietet im Vergleich zu Standard-DLMs vernachlässigbare zusätzliche Rechenkosten.

Hauptbeiträge

• Neue Modellklasse: Die Einführung von RV-DLMs und RVL-DLMs, die erfolgreich einen dynamischen Gamma-Prozess für realisierte Volatilität auf Standard-Bayessche SV-DLMs auflegen.
• Analytische Handhabbarkeit: Die Herleitung vollständig konjugierter Bayesscher Analysen für das bivariates System, die skalierte-F- und Student-t-Vorhersageverteilungen ohne simulationsbasierte Inferenz liefern.
• Integration von Hochfrequenzdaten: Ein Mechanismus, um Intraday-Daten (über OHLC-basierte Proxies für realisierte Varianz) direkt in die sequenzielle Filterung latenter Volatilitätszustände einzubeziehen, was die Präzision des Volatilitätstrackings verbessert.
• Modellierung reduzierter Hebelwirkungen: Ein flexibler Ansatz zur Modellierung der Preis-Volatilitäts-Abhängigkeit (Hebel und Rückkopplung) durch zeitvariierende Koeffizienten bei Prädiktoren für realisierte Volatilität, die dynamisch innerhalb des Zustandsraumrahmens gelernt werden.

Empirische Ergebnisse
Die Autoren wandten die Modelle auf tägliche Preisdaten für 9 S&P 500 Select Sector SPDR ETFs und den S&P-Index selbst an, die den Zeitraum von 2000 bis 2025 abdecken. Sie verglichen drei Modelle:

1. SV-DLM: Ein traditionelles univariates Benchmark-Modell, das nur Preisdaten verwendet (mit verzögerter RV als festem Prädiktor).
2. RV-DLM: Ein bivariates Modell, das verzögerte realisierte Volatilität ($x_{t-1}$) als Prädiktor einbezieht und $z_t$ für direktes Volatilitätslernen verwendet.
3. RVL-DLM: Das allgemeinste Modell, das sowohl verzögerte ($x_{t-1}$) als auch gleichzeitige ($x_t$) Prädiktoren für realisierte Volatilität enthält.

• Vorhersageleistung: Kumulierte Log-Bayes-Faktoren zeigten, dass sowohl RV-DLM- als auch RVL-DLM-Varianten das traditionelle SV-DLM über alle 10 Reihen hinweg konsistent übertrafen. Das RVL-DLM, das den gleichzeitigen Volatilitätsprädiktor enthält, erzielte weitere inkrementelle Gewinne gegenüber dem RV-DLM.
• Koeffizientenverhalten: Im RVL-DLM war der Posterior-Median für den gleichzeitigen Koeffizienten ($x_t$) allgemein negativ, während der verzögerte Koeffizient ($x_{t-1}$) allgemein positiv war. Dies stimmt mit Hochfrequenz-Evidenz für negative gleichzeitige Asymmetrien zwischen Rendite und Volatilität sowie positive verzögerte Effekte überein.
• Robustheit: Die Modelle zeigten eine verbesserte Schärfe der Vorhersagedichten und reduzierte Unsicherheit, insbesondere in Phasen von Marktstress (z. B. Beginn der Pandemie 2020 und der Flash-Crash 2010), wo die Informationen zur realisierten Volatilität kritische Updates des latenten Zustands lieferten.

Bedeutung und Behauptungen
Der Beitrag behauptet, dass der RV-DLM-Rahmen eine praktische, skalierbare Lösung für die Finanzprognose bietet, die die Lücke zwischen der Interpretierbarkeit und Geschwindigkeit konjugierter Discount-Lernfilter und der empirischen Schärfe von Modellen realisierter Volatilität schließt.

• Effizienz: Die Methode bietet eine „rechnerisch unkomplizierte" Analyse mit „vernachlässigbaren zusätzlichen Rechenkosten", was eine Skalierung auf höhere Dimensionen für die Konstruktion multivariater Portfolios (Decouple/Recouple-Ansätze) ermöglicht.
• Praktische Relevanz: Die Modelle liefern kontextbezogene Einblicke in die Natur von Volatilitätshebel- und Rückkopplungseffekten und quantifizieren deren Auswirkungen auf Preisprognosen, ohne komplexe strukturelle Annahmen zu erfordern.
• Verbesserung der Prognose: Der primäre Gewinn wird schärferen Vorhersageverteilungen und einer effizienteren Nutzung von Informationen zur realisierten Volatilität zugeschrieben, nicht massiven Verschiebungen in Punktschätzungen.
• Zukünftige Skalierbarkeit: Die Autoren stellen fest, dass die geschlossene Form-Struktur sich auf multivariate Settings unter Verwendung von Wishart- und multivariaten-F-Verteilungen natürlich erweitert, was diese Modelle als Bausteine für breitere Bayessche Risikobewertungen und Handelssysteme positioniert.

Die Studie kommt zu dem Schluss, dass die Einbeziehung gleichzeitiger realer Volatilität in ein vollständig konjugiertes sequenzielles Modell eine robuste Strategie zur Verbesserung der Kurzfristpreisprognose und der Risikokarakterisierung in Echtzeitsystemen darstellt.