Bayesian Dynamic Modeling of Realized Volatility in Financial Asset Price Forecasting

Resumen Técnico: Modelado Dinámico Bayesiano de la Volatilidad Realizada en la Predicción de Precios de Activos Financieros

Planteamiento del Problema
La previsión financiera requiere métodos secuenciales eficientes que puedan adaptarse a las fluctuaciones de volatilidad a corto plazo mientras integran datos de alta frecuencia. Los enfoques tradicionales enfrentan una compensación: los modelos clásicos de Volatilidad Estocástica (VE) que utilizan procesos de log-varianza latente son flexibles pero computacionalmente intensivos, a menudo requiriendo cadenas de Markov Monte Carlo (MCMC) o filtrado de partículas con un ajuste significativo. Por el contrario, los modelos de Volatilidad Realizada (VR) pronostican medidas empíricas de volatilidad directamente, pero a menudo operan fuera de un espacio de estados conjunto precio–volatilidad. Los modelos híbridos (por ejemplo, VE Realizada, GARCH Realizado) combinan estos elementos pero dependen típicamente de inferencia basada en simulación u optimización estática de verosimilitud, careciendo de la tratabilidad analítica necesaria para la supervisión rápida, en línea y la escalabilidad a través de muchos activos. El artículo aborda la necesidad de un marco analíticamente tratable y computacionalmente rápido que modele conjuntamente los precios de los activos y la volatilidad realizada para mejorar la previsión a corto plazo y la gestión de riesgos sin las cargas de los métodos basados en simulación.

Metodología
Los autores introducen una nueva clase de Modelos Lineales Dinámicos de Volatilidad Realizada (MLD-VR). Este marco extiende los Modelos Lineales Dinámicos (MLD) de descuento bayesianos tradicionales para precios de activos mediante la integración de un modelo de proceso gamma dinámico para la varianza realizada.

1. Estructura del Modelo:

   • Componente de Precio: El modelo retiene la estructura estándar MLD-VE para los log-precios ($y_t$), utilizando un vector de estado latente $\theta_t$ y un parámetro de precisión $\phi_t$ (inversa de la varianza). La evolución de $\phi_t$ sigue un proceso de aprendizaje de descuento controlado por un factor de descuento $\beta$.
   • Componente de Varianza Realizada: Una nueva ecuación de observación modela el proxy de varianza realizada ($z_t$) como $z_t = \eta_t / \phi_t$, donde $\eta_t$ sigue una distribución Gamma. Esto establece una relación Gamma condicional entre la medida realizada y la precisión latente.
   • Integración Bivariada: El modelo conjunto para $(y_t, z_t)$ se construye de tal manera que la distribución predictiva marginal para $z_t$ es una distribución F escalada, y la distribución condicional para $y_t$ dada $z_t$ es una distribución t de Student. Esto preserva la estructura conjugada normal-gamma del MLD subyacente.

2. Apalancamiento de Volatilidad y Retroalimentación (MLD-RVL):

   • El marco permite la inclusión de proxies de volatilidad realizada como predictores en la ecuación de precios. Específicamente, el vector de regresión $F_t$ puede incluir la desviación estándar realizada contemporánea ($x_t = \sqrt{z_t}$) y valores rezagados ($x_{t-1}$).
   • Esta formulación captura efectos de apalancamiento y retroalimentación en forma reducida. El coeficiente contemporáneo representa la asociación inmediata entre la volatilidad de alta frecuencia y los cambios de precios, mientras que el coeficiente rezagado captura efectos de corto horizonte. El modelo aprende estos coeficientes secuencialmente a partir de los datos en lugar de imponer términos de asimetría estructural.

3. Inferencia y Cálculo:

   • El modelo mantiene tratabilidad analítica completa. El filtrado secuencial, el pronóstico, la evaluación de la verosimilitud marginal y el suavizado retrospectivo se realizan mediante actualizaciones de forma cerrada.
   • El pronóstico un paso adelante se logra mediante simulación composicional directa: dibujar $z_t$ de la distribución predictiva F escalada y luego dibujar $y_t$ de la distribución t de Student condicional.
   • El enfoque evita MCMC y filtros de partículas, ofreciendo un costo computacional extra negligible en comparación con los MLD estándar.

Contribuciones Clave

• Nueva Clase de Modelos: La introducción de MLD-VR y MLD-RVL, que superponen con éxito un proceso gamma dinámico para la volatilidad realizada sobre los MLD-VE bayesianos estándar.
• Tratabilidad Analítica: La derivación de análisis bayesianos completamente conjugados para el sistema bivariado, produciendo distribuciones predictivas F escalada y t de Student sin inferencia basada en simulación.
• Integración de Datos de Alta Frecuencia: Un mecanismo para incorporar datos intradía (a través de proxies de varianza realizada basados en OHLC) directamente en el filtrado secuencial de estados de volatilidad latente, mejorando la precisión del seguimiento de la volatilidad.
• Modelado de Apalancamiento en Forma Reducida: Un enfoque flexible para modelar la dependencia precio-volatilidad (apalancamiento y retroalimentación) mediante coeficientes variables en el tiempo sobre predictores de volatilidad realizada, aprendidos dinámicamente dentro del marco de espacio de estados.

Resultados Empíricos
Los autores aplicaron los modelos a datos de precios diarios de 9 ETFs de Sectores Selectos del S&P 500 y del propio Índice S&P, cubriendo el período de 2000 a 2025. Compararon tres modelos:

1. MLD-VE: Una referencia univariada tradicional que utiliza solo datos de precios (con VR rezagada como predictor fijo).
2. MLD-VR: Un modelo bivariado que incorpora la volatilidad realizada rezagada ($x_{t-1}$) como predictor y utiliza $z_t$ para el aprendizaje directo de volatilidad.
3. MLD-RVL: El modelo más general, que incluye tanto predictores de volatilidad realizada rezagada ($x_{t-1}$) como contemporánea ($x_t$).

• Rendimiento Predictivo: Los factores de Bayes logarítmicos acumulados demostraron que tanto las variantes MLD-VR como MLD-RVL superaron consistentemente al MLD-VE tradicional en las 10 series. El MLD-RVL, que incluye el predictor de volatilidad contemporánea, proporcionó ganancias incrementales adicionales sobre el MLD-VR.
• Comportamiento de los Coeficientes: En el MLD-RVL, la mediana posterior para el coeficiente contemporáneo ($x_t$) fue generalmente negativa, mientras que el coeficiente rezagado ($x_{t-1}$) fue generalmente positivo. Esto se alinea con la evidencia de alta frecuencia de asimetría negativa en la relación retorno-volatilidad contemporánea y efectos positivos rezagados.
• Robustez: Los modelos mostraron una mayor nitidez de la densidad predictiva y una reducción de la incertidumbre, particularmente durante períodos de estrés de mercado (por ejemplo, el inicio de la pandemia de 2020 y el flash crash de 2010), donde la información de volatilidad realizada proporcionó actualizaciones críticas al estado latente.

Significado y Afirmaciones
El artículo afirma que el marco MLD-VR ofrece una solución práctica y escalable para la previsión financiera que cierra la brecha entre la interpretabilidad y velocidad de los filtros de aprendizaje de descuento conjugados y la nitidez empírica de los modelos de volatilidad realizada.

• Eficiencia: El método proporciona un análisis "computacionalmente directo" con "costo computacional extra negligible", permitiendo la escalabilidad a dimensiones más altas para la construcción de carteras multivariadas (enfoques de desacoplamiento/volver a acoplar).
• Relevancia Práctica: Los modelos ofrecen insights contextuales sobre la naturaleza del apalancamiento de volatilidad y los efectos de retroalimentación, cuantificando su impacto en los pronósticos de precios sin requerir supuestos estructurales complejos.
• Mejora en la Predicción: La ganancia principal se atribuye a distribuciones predictivas más nítidas y un uso más eficiente de la información de volatilidad realizada, en lugar de cambios masivos en los pronósticos puntuales.
• Escalabilidad Futura: Los autores señalan que la estructura de forma cerrada se extiende naturalmente a escenarios multivariados utilizando distribuciones Wishart y F multivariada, posicionando estos modelos como bloques de construcción para sistemas más amplios de evaluación de riesgos y trading bayesianos.

El estudio concluye que incorporar la volatilidad realizada contemporánea en un modelo secuencial completamente conjugado es una estrategia robusta para mejorar la predicción de precios a corto plazo y la caracterización de riesgos en sistemas en tiempo real.