Network Time Series Models for Multivariate Volatility Forecasting

Resumen Técnico: Modelos de Series Temporales de Redes para la Predicción de la Volatilidad Multivariante

Planteamiento del Problema
La predicción precisa de la volatilidad realizada (RV) es crítica para la gestión de riesgos financieros y la toma de decisiones. Si bien el modelo Heterogéneo Autorregresivo (HAR) se ha convertido en un estándar de referencia para la predicción univariante de la RV debido a su parsimonia y capacidad para capturar componentes de volatilidad diaria, semanal y mensual, extender este marco a entornos multivariantes presenta desafíos. Los enfoques multivariantes tradicionales, como los modelos Vector HAR (VHAR), suelen sufrir de sobreparametrización a medida que aumenta el número de activos, lo que conduce a la inestabilidad de la estimación. Además, los modelos multivariantes existentes frecuentemente fallan al no incorporar explícitamente información previa sobre los desbordamientos (spillovers) transversales y las dependencias de red entre activos de una manera parsimoniosa. Aunque se han aplicado métodos basados en grafos a matrices de covarianza realizada (HAR-DRD), su aplicación directa a vectores de procesos de varianza realizada sigue siendo poco explorada.

Metodología
Los autores proponen el modelo Heterogéneo Autorregresivo de Red Generalizada (GNHAR), el cual integra la estructura jerárquica de horizontes múltiples del modelo HAR con procesos de Autorregresión de Red Generalizada (GNAR).

1. Especificación del Modelo:

   • El modelo GNHAR predice un vector de varianzas realizadas transformadas logarítmicamente, $X_t$, combinando términos autorregresivos con términos rezagados basados en redes.
   • Utiliza un grafo $G = (V, E)$ donde los nodos representan activos y las aristas representan efectos de desbordamiento (spillover).
   • Incorpora componentes agregados diarios, semanales y mensuales ($X^{(d)}, X^{(w)}, X^{(m)}$) y permite la dependencia de red hasta etapas específicas ($s^{(d)}, s^{(w)}, s^{(m)}$) a través de matrices de adyacencia ponderadas $W^{(r)}$.
   • Se emplean dos estrategias de parametrización: $\alpha$-individual (coeficientes autorregresivos específicos del nodo) y $\alpha$-global (coeficientes comunes entre nodos), siendo esta última la que ofrece una parsimonia significativa de parámetros ($O(p + \sum s_l)$ frente a $O(pN^2)$ para un VAR estándar).

2. Extensiones:

   • Descomposición Salto-Continuo (JC-GNHAR): El marco se extiende para modelar por separado los componentes de trayectoria continua y de salto de la RV, siguiendo el enfoque de Andersen et al. (2007). Esto permite el desentrañamiento de los desbordamientos de volatilidad impulsados por el flujo de información continua frente a los saltos repentinos de precios.
   • Variables Exógenas (GNHARX): El modelo se generaliza para incluir procesos exógenos específicos de cada nodo, específicamente la varianza implícita de opciones (IV), permitiendo la integración de las expectativas de mercado prospectivas.

3. Construcción de la Red:

   • El estudio evalúa cuatro tipos de estructuras de red:
     • Totalmente Conectada: Asume una interdependencia uniforme.
     • Causalidad de Granger (GC): Grafos dirigidos inferidos mediante pruebas de causalidad de Granger (con correcciones de Benjamini–Hochberg o Bonferroni).
     • Índice de Conectividad (CI): Grafos dirigidos y ponderados derivados del índice de conectividad de Diebold-Yilmaz, que capturan la propagación de choques tanto directos como indirectos.
   • Las redes se construyen dinámicamente utilizando ventanas rodantes para capturar dependencias variables en el tiempo.

4. Diseño Experimental:

   • Datos: Datos de varianza realizada de 5 minutos de 10 índices de mercados bursátiles globales (EE. UU., UE, Asia, India) desde agosto de 2013 hasta enero de 2022.
   • Evaluación: Se utiliza un enfoque de ventana rodante (1000 días) para generar predicciones fuera de la muestra en horizontes $h = 1, 5, 10, 22, 44$.
   • Métricas: El rendimiento se evalúa mediante el Error Absoluto Medio de la Predicción (MAFE) y el Error Cuadrático Medio de la Predicción (MSFE). La significancia estadística se prueba mediante los tests de Conjunto de Modelos de Confianza (MCS) y Diebold-Mariano (DM).

Resultados Clave

• Rendimiento de la Predicción: Los modelos GNHAR superan consistentemente a los referentes (benchmarks) HAR univariantes en todos los horizontes y estructuras de red. La brecha de rendimiento se amplía a medida que aumenta el horizonte de predicción, siendo los mejores modelos de red los que muestran hasta una reducción del 40% en el MAFE en $h=44$ en comparación con los referentes.
• Configuración Óptima:
  • $\alpha$-Global vs. $\alpha$-Individual: La especificación $\alpha$-global supera significativamente a la especificación $\alpha$-individual, la cual suele ser inestable y es excluida del Conjunto de Modelos de Confianza.
  • Elección de la Red: Los modelos basados en la red CI22 (Índice de Conectividad en el horizonte 22) generalmente producen los errores más bajos. Esto sugiere que las medidas de conectividad de horizontes más largos filtran mejor el ruido diario y capturan relaciones sistémicas persistentes.
  • Orden de la Red: El orden $(1, 0, 1)$ (que incorpora dependencias de red diarias y mensuales) frecuentemente ofrece los mejores resultados, particularmente para predicciones a corto plazo.
• Descomposición Salto-Continuo:
  • El modelo JC-GNHAR mejora significativamente a los referentes cuando se combina con redes ponderadas (CI1, CI22), logrando una reducción de hasta el 38% en el MAFE en $h=1$.
  • Sin embargo, bajo configuraciones mal especificadas (por ejemplo, $\alpha$-individual), el GNHAR estándar es más robusto. Los tests DM indican que, si bien el JC-GNHAR puede superar al GNHAR en configuraciones óptimas (por ejemplo, $\alpha$-global en CI22), el GNHAR estándar es generalmente más estable en diversas configuraciones.
• Variables Exógenas: Se explora la inclusión de la varianza implícita de opciones (IV) a través del marco GNHARX. El estudio encuentra que las especificaciones de $\lambda$-global son superiores a las de $\lambda$-individual, y que los rezagos de orden superior para las variables exógenas conducen a la inestabilidad numérica.

Significancia y Reivindicaciones
El artículo afirma proporcionar una especificación de series temporales multivariantes parsimoniosa que incorpora explícitamente los desbordamientos transversales a través de un grafo dirigido. A diferencia de los modelos de vectores autorregresivos sobreparametrizados, el enfoque GNHAR produce un conjunto conciso de parámetros que pueden rastrear el fortalecimiento o debilitamiento de las dependencias entre mercados, ofreciendo una evaluación cuantitativa variable en el tiempo de la estabilidad del mercado.

Los autores destacan tres contribuciones principales:

1. Modelado Vectorial Directo: Aplicación del marco de series temporales de red directamente a vectores de procesos de varianza realizada, en lugar de solo a matrices de covarianza.
2. Análisis Novedosos: Investigación de la interacción entre la descomposición salto-continuo y las configuraciones gráficas, así como el examen del papel de las varianzas implícitas de opciones específicas de cada nodo como procesos exógenos.
3. Interpretabilidad: Provisión de un marco donde los coeficientes estimados ofrecen una visión de la magnitud de la dinámica individual de las acciones y sus interacciones, aclarando el papel de los componentes jerárquicos HAR tanto durante periodos de tranquilidad como durante crisis financieras (por ejemplo, el brote de COVID-19).

El estudio concluye que los modelos lineales basados en redes no solo contabilizan las interconexiones de los activos de manera más efectiva que los marcos HAR base, sino que también evitan los problemas de sobreajuste comunes en las redes neuronales de grafos no lineales, manteniendo la interpretabilidad.