On options-driven realized volatility forecasting: Information gains via rough volatility model

Each language version is independently generated for its own context, not a direct translation.

Imaginez que vous essayez de prédire la météo pour les prochains jours. Habituellement, les météorologues regardent simplement les nuages d'hier et d'avant-hier pour deviner s'il va pleuvoir. C'est un peu comme le modèle classique utilisé par les économistes pour prédire l'agitation des marchés financiers (ce qu'on appelle la volatilité). Ils regardent comment les prix ont bougé par le passé pour deviner comment ils bougeront demain.

Mais dans cet article, les chercheurs (Zheqi Fan, Meng Wang et Yifan Ye) disent : « Attendez ! Il y a une autre source d'information beaucoup plus puissante : les options ».

Voici une explication simple de leur découverte, avec quelques analogies pour rendre les choses claires.

1. Le problème : Regarder dans le rétroviseur

Les modèles traditionnels (comme le modèle HAR) sont comme un conducteur qui ne regarde que dans son rétroviseur. Ils savent très bien que la route a été cahoteuse hier, mais ils ne peuvent pas voir les nids-de-poule qui arrivent dans 10 minutes. Ils utilisent des données passées pour prédire le futur, ce qui est utile, mais pas parfait.

2. La solution : Les "boules de cristal" des options

Les options sont des contrats financiers qui permettent aux investisseurs de parier sur l'avenir. Le prix d'une option contient l'opinion du marché sur ce qui va se passer demain. C'est comme si les conducteurs regardaient non seulement le rétroviseur, mais aussi un tableau de bord futuriste qui leur montre les virages avant qu'ils n'arrivent.

Les chercheurs ont voulu savoir : Si on ajoute cette information "futuriste" (les options) à notre modèle de prédiction, est-ce qu'on devient plus précis ?

3. L'outil magique : Le modèle "Rough" (Rugueux)

Pour utiliser ces options, il faut un modèle mathématique capable de les décoder. Pendant longtemps, les modèles étaient un peu "lisses" et trop simples, comme une carte routière dessinée au trait droit.

Mais les chercheurs ont utilisé un modèle plus récent et plus sophistiqué appelé le modèle "Rough Heston" (Heston Rugueux).

L'analogie : Imaginez que la volatilité (l'agitation du marché) n'est pas une ligne lisse, mais une surface de roche très irrégulière, avec des creux et des bosses microscopiques. Le modèle "Rough" est capable de voir ces micro-bosses que les modèles classiques ignorent. C'est comme passer d'une vue satellite floue à une vue en haute définition 3D.

4. Le défi : Le calcul est trop lourd (et comment ils l'ont résolu)

Le problème avec ce modèle "Rough", c'est qu'il est extrêmement complexe à calculer. C'est comme essayer de résoudre un puzzle de 10 millions de pièces à la main : cela prendrait des années !

C'est là que l'article devient vraiment moderne. Les chercheurs ont utilisé l'Intelligence Artificielle (Deep Learning) comme un "accélérateur".

L'analogie : Au lieu de faire le calcul à la main à chaque fois, ils ont entraîné un robot (un réseau de neurones) à apprendre à faire le calcul en regardant des millions de simulations. Une fois le robot entraîné, il peut donner le résultat en une fraction de seconde. C'est comme avoir un assistant super-rapide qui fait le travail de calcul à votre place.

5. Les résultats : Qui gagne ?

Ils ont testé leur nouvelle méthode (HAR + Options + Modèle Rugueux) contre les anciennes méthodes (HAR seul, ou avec le modèle "VIX" qui est un indice de peur bien connu).

Le verdict : Le nouveau modèle a gagné haut la main !
- Précision : Il prédit mieux les mouvements du marché, que ce soit pour le lendemain ou pour le mois suivant.
- Direction : Il est aussi très bon pour dire si l'agitation va monter ou descendre (comme savoir s'il va pleuvoir ou s'il va faire beau, pas juste s'il va y avoir de l'orage).
- Comparaison : Même le modèle classique "VIX" (qui est déjà très populaire) est moins précis que leur nouveau modèle basé sur le "Rough".

En résumé

Cette étude nous dit que pour prédire les turbulences du marché financier, il ne suffit pas de regarder le passé. Il faut écouter ce que le marché "pense" de l'avenir (via les options) et utiliser des modèles mathématiques assez fins pour voir les détails invisibles (le côté "rugueux").

Grâce à l'intelligence artificielle pour accélérer les calculs, ils ont prouvé que cette combinaison est la meilleure façon de deviner l'avenir des marchés, un peu comme avoir la meilleure carte, le meilleur radar et le meilleur pilote pour naviguer dans une tempête.

Each language version is independently generated for its own context, not a direct translation.

1. Problématique et Contexte

La prévision de la volatilité réalisée (RV) est fondamentale pour la gestion des risques, la tarification des actifs et les politiques monétaires. Bien que le modèle HAR (Heterogeneous Autoregressive) de Corsi (2009) soit devenu la référence pour capturer la persistance à long terme de la volatilité à partir de données historiques, il présente une limite majeure : il repose exclusivement sur des données rétrospectives (prix de clôture, rendements).

Les prix des options, en revanche, contiennent des informations prévisionnelles (forward-looking) intégrant les anticipations du marché. Des études antérieures ont montré que l'intégration d'indicateurs dérivés (comme le VIX ou des estimations de volatilité spot issues de modèles stochastiques classiques comme Heston, Bates ou SVCJ) améliore la précision des prévisions.

Cependant, un défi majeur persiste : les modèles de volatilité rugueuse (rough volatility), qui capturent mieux la dynamique réelle de la volatilité (notamment la persistance des chemins rugueux observée empiriquement), sont non-markoviens et souffrent d'une complexité computationnelle élevée, rendant leur estimation sur de grands panels d'options difficile.

L'objectif de l'article est d'évaluer si l'intégration d'estimateurs de volatilité spot, inférés à partir de données d'options sous un modèle de volatilité rugueuse (modèle Rough Heston), améliore la puissance prédictive du modèle HAR par rapport aux modèles stochastiques traditionnels et à l'indice VIX.

2. Méthodologie

L'approche méthodologique combine l'inférence paramétrique avancée et l'apprentissage profond (Deep Learning) pour surmonter les obstacles computationnels.

A. Extraction des estimateurs de volatilité spot

Les auteurs utilisent le cadre d'inférence paramétrique proposé par Andersen et al. (2015a) pour extraire la série de volatilité spot latente ( $V_t$ ) et les paramètres structurels à partir de panels d'options. Ce processus repose sur une procédure itérative en deux étapes :

Inférence de la variance spot : Pour chaque jour $t$ , étant donné les paramètres structurels $\Theta$ , on résout un problème d'optimisation (moindres carrés non linéaires pénalisés) pour trouver la variance spot qui minimise l'écart entre les prix de marché et les prix du modèle, tout en restant cohérente avec la volatilité réalisée haute fréquence.
Estimation des paramètres structurels : En utilisant les séries de variance spot estimées à l'étape précédente, on optimise les paramètres globaux du modèle ( $\Theta$ ) sur l'ensemble de l'échantillon.

Ce cycle itère jusqu'à convergence.

B. Modèles comparés

L'étude compare le modèle Rough Heston (modèle rugueux) à trois modèles stochastiques traditionnels :

Heston (1993)
Bates (2000)
SVCJ (Eraker et al., 2003)
Et l'indice VIX (non paramétrique).

C. Accélération par Deep Learning (Surrogate Model)

Le modèle Rough Heston implique des équations différentielles fractionnaires ou des systèmes d'EDO complexes (via l'approximation Markovienne "Lifted Heston"), rendant le calcul des prix d'options extrêmement coûteux lors de l'optimisation itérative.

Solution : Les auteurs entraînent un réseau de neurones profond (surrogate) pour approximer la fonction de tarification des options (mapping des paramètres du modèle et des variables de contrat vers les prix).
Avantage : Ce surrogate, une fois entraîné sur des données synthétiques, remplace le moteur de tarisation numérique coûteux, accélérant considérablement le processus d'estimation et de calibration sur de grands panels d'options.

D. Modèles de prévision (HARX)

Les estimateurs de volatilité spot extraits sont intégrés dans le modèle HAR de base pour former des modèles étendus (HARX) :

HAR-RV : Modèle de base.
HAR-RV-VIX : Ajout du VIX.
HAR-RV-SVM : Ajout de l'estimateur de volatilité spot d'un modèle stochastique spécifique (Heston, Bates, SVCJ, ou Rough Heston).

3. Contributions Clés

Intégration de la volatilité rugueuse dans la prévision RV : L'article démontre empiriquement que la dynamique de volatilité rugueuse (Rough Volatility) apporte une valeur informationnelle supplémentaire unique, supérieure aux modèles stochastiques classiques et à l'indice VIX.
Innovation méthodologique hybride : Combinaison de l'inférence paramétrique rigoureuse (Andersen et al.) avec des techniques de Deep Learning pour résoudre le problème de complexité computationnelle des modèles de volatilité rugueuse sur des données réelles à grande échelle.
Validation robuste : L'étude fournit une analyse complète incluant l'ajustement in-sample, la prévision out-of-sample, et des tests de puissance prédictive sur plusieurs horizons (jusqu'à 22 jours).

4. Résultats Empiriques

Les données utilisées couvrent les rendements intraday à 5 minutes du S&P 500 (janvier 2011 - juin 2021), avec une période de test hors échantillon de janvier 2020 à juin 2020.

A. Performance In-Sample

Le modèle HAR-RV-RHeston (incluant la volatilité rugueuse) obtient le $R^2$ ajusté le plus élevé (0,644), surpassant le HAR de base (0,605), le HAR-VIX (0,627) et les modèles Heston/Bates/SVCJ (autour de 0,624-0,628).
Le coefficient associé à la composante Rough Heston est hautement significatif (t-stat = 13,767), indiquant une forte contribution explicative.

B. Performance Out-of-Sample (Prévision à 1 jour)

Le modèle HAR-RV-RHeston surpasse tous les autres modèles sur toutes les métriques d'erreur :

MAE (Erreur Absolue Moyenne) : 0,2137 (réduction de 9% par rapport au HAR de base).
RMSE (Racine de l'Erreur Quadratique Moyenne) : 0,2762 (réduction de 5% par rapport au HAR de base).
QLIKE : 0,0403 (meilleure performance).
MDA (Précision Directionnelle) : 73,60%, soit 5,6 points de pourcentage de mieux que le modèle HAR de base. Cela signifie que le modèle prédit correctement la direction (hausse ou baisse) de la volatilité dans plus de 73% des cas, un résultat crucial pour les stratégies de trading.

C. Tests Statistiques (Diebold-Mariano)

Les tests de Diebold-Mariano confirment que la supériorité du modèle HAR-RV-RHeston est statistiquement significative par rapport à tous les autres modèles (y compris le VIX et les modèles SV classiques).

D. Horizons Multiples

La supériorité du modèle Rough Heston se maintient sur des horizons de prévision allant de 1 à 22 jours. Les erreurs (MAE, RMSE, QLIKE) restent systématiquement plus faibles et la précision directionnelle (MDA) plus élevée que pour les modèles de référence, confirmant la robustesse de l'information rugueuse sur le court et le moyen terme.

5. Signification et Conclusion

Cet article démontre que la rugosité de la volatilité n'est pas seulement une curiosité théorique, mais une source d'information prédictive tangible et supérieure pour la prévision de la volatilité réalisée.

Implication Pratique : L'utilisation de modèles de volatilité rugueuse, rendue viable par l'approche de surrogate par Deep Learning, permet d'améliorer significativement la gestion des risques et l'optimisation des stratégies de trading.
Avancée Scientifique : L'étude valide que les informations implicites des options, lorsqu'elles sont extraites via un modèle de volatilité rugueuse, contiennent plus de valeur prédictive que les modèles stochastiques traditionnels ou les indices agrégés comme le VIX.
Faisabilité : En surmontant les barrières computationnelles grâce au Deep Learning, les auteurs ouvrent la voie à une adoption plus large des modèles de volatilité rugueuse dans la finance quantitative appliquée.

En résumé, l'intégration de la dynamique de volatilité rugueuse dans le cadre HAR, couplée à une estimation efficace via des réseaux de neurones, constitue une avancée majeure pour la précision et la fiabilité de la prévision de la volatilité.