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

Questo studio dimostra che l'integrazione di stime della volatilità istantanea derivate dai dati delle opzioni tramite un modello di volatilità "rough" e surrogate deep learning nel modello HAR migliora significativamente l'accuratezza delle previsioni della volatilità realizzata rispetto ai modelli tradizionali e all'indice VIX, mantenendo prestazioni superiori fino a un mese di orizzonte temporale.

L'essenziale

🌊 Il Meteo Finanziario: Prevedere le Onde con un "Cristallo Magico"

Immagina il mercato azionario come un oceano.

• Le azioni sono le barche.
• La volatilità è l'agitazione del mare: a volte è calmo (onde piccole), a volte c'è una tempesta (onde gigantesche).

Per chi investe, sapere se domani il mare sarà calmo o in tempesta è fondamentale. Se sai che arriva una tempesta, puoi mettere in sicurezza la tua barca; se sai che sarà calmo, puoi goderti la navigazione.

Questo studio si chiede: come possiamo prevedere meglio le onde di domani?

1. Il Vecchio Metodo: Guardare solo le onde passate

Fino a poco tempo fa, i meteorologi finanziari usavano un metodo chiamato HAR. Immagina che questo metodo guardi solo le onde degli ultimi giorni, della scorsa settimana e dell'ultimo mese.

• "Ieri c'era un'onda alta, la settimana scorsa c'erano onde medie, quindi probabilmente domani ci sarà un'onda alta."
  Funziona bene, ma è come guardare solo lo specchio dell'acqua: vedi solo ciò che è già successo.

2. Il Nuovo Trucco: Leggere i "Contratti del Futuro"

Gli autori dello studio hanno detto: "Aspetta un attimo! Non guardiamo solo l'acqua. Guardiamo cosa stanno scommettendo le persone che vendono assicurazioni contro le tempeste!"

In finanza, queste "assicurazioni" sono le opzioni. I prezzi delle opzioni contengono informazioni sul futuro perché gli investitori pagano di più per proteggersi se pensano che arriverà una tempesta.

• Il problema: Leggere queste informazioni è complicatissimo. È come cercare di capire la direzione del vento guardando un foglio di carta mosso da mille correnti diverse. I vecchi modelli matematici (come il modello Heston) erano lenti e imprecisi, come un vecchio computer che impiega ore a fare un calcolo semplice.

3. La Rivoluzione: L'Intelligenza Artificiale e il "Mare Ruvido"

Qui entra in gioco la vera novità dello studio. Hanno usato due armi segrete:

• A) Il modello "Mare Ruvido" (Rough Volatility):
  Immagina che la superficie del mare non sia liscia, ma ruvida, come la pelle di un'arancia o una strada sterrata. I vecchi modelli pensavano che le onde fossero lisce e prevedibili. Il nuovo modello capisce che il mercato è "ruvido": cambia direzione in modo caotico e imprevedibile anche in piccolissimi istanti. Questo modello cattura la vera natura del caos del mercato molto meglio dei vecchi.

• B) L'Assistente Intelligente (Deep Learning):
  Calcolare le previsioni con questo modello "ruvido" è così difficile che richiederebbe anni di tempo di calcolo. Per risolvere il problema, gli autori hanno addestrato un'Intelligenza Artificiale (una rete neurale).

  • L'analogia: Immagina di dover insegnare a un bambino a riconoscere le nuvole. Invece di fargli guardare milioni di nuvole reali (che richiederebbe anni), gli mostri milioni di nuvole disegnate al computer in un secondo. Il bambino impara la regola e diventa un esperto istantaneo.
  • L'AI ha imparato a fare i calcoli complessi del modello "ruvido" in una frazione di secondo, agendo come un super-calcolatore leggero.

4. Il Risultato: Chi vince la gara?

Gli autori hanno messo alla prova il loro nuovo sistema (chiamato HAR-RV-RHeston) contro i vecchi metodi e contro un famoso indicatore chiamato VIX (che è come un "termometro della paura" del mercato).

I risultati sono stati chiari:

1. Precisione: Il nuovo sistema ha previsto le onde future con molta più accuratezza rispetto a tutti gli altri. Ha commesso meno errori.
2. Indirizzo: Non solo ha previsto quanto sarebbe stata alta l'onda, ma ha anche indovinato meglio se il mare si sarebbe calmato o agitato (una precisione del 73,6% contro il 68% dei vecchi metodi).
3. Durata: Ha funzionato bene non solo per il giorno dopo, ma anche per previsioni fino a un mese avanti.

🏆 In sintesi: Perché è importante?

Immagina di dover navigare in un oceano sconosciuto.

• I vecchi metodi ti dicono: "Guarda le onde di ieri, domani sarà simile."
• Il nuovo metodo ti dice: "Ho analizzato le scommesse di tutti i capitani, ho capito che il mare è ruvido e caotico, e grazie al mio assistente robotico, posso dirti esattamente dove colpirà la prossima onda."

Il messaggio finale: Usare l'intelligenza artificiale per decifrare i dati complessi delle opzioni finanziarie ci permette di vedere il futuro con occhi più nitidi, rendendo il mercato meno un gioco d'azzardo e più una scienza prevedibile. È un passo avanti enorme per chi gestisce i soldi, le banche e le assicurazioni.

Sommario tecnico

1. Il Problema di Ricerca

La previsione della volatilità realizzata (Realized Volatility - RV) è fondamentale per la gestione del rischio, la valutazione degli asset e le politiche monetarie. Sebbene il modello HAR (Heterogeneous Autoregressive) di Corsi (2009) sia diventato lo standard di riferimento per la previsione della RV basata su dati storici, presenta un limite intrinseco: utilizza prevalentemente informazioni "retrospettive" (dati di rendimenti passati).
Al contrario, i prezzi delle opzioni contengono informazioni "prospettiche" (forward-looking) sul futuro della volatilità. La letteratura precedente ha dimostrato che l'inclusione di indici non parametrici come il VIX o stimatori basati su modelli stocastici classici (Heston, Bates, SVCJ) migliora le previsioni. Tuttavia, i modelli stocastici tradizionali non riescono a catturare appieno le dinamiche di volatilità osservate empiricamente, in particolare la natura "ruvida" (rough) e la persistenza a lungo termine delle fluttuazioni di volatilità.
Il problema centrale affrontato dal paper è: l'inclusione di stimatori della volatilità istantanea (spot volatility) derivati da un modello di volatilità "ruvida" (Rough Volatility), estratti dai dati delle opzioni, può migliorare significativamente la capacità predittiva del modello HAR rispetto ai modelli tradizionali e al VIX?

2. Metodologia

A. Dati e Volatilità Realizzata

• Dati: L'analisi utilizza rendimenti intraday a 5 minuti dell'indice S&P 500 (da gennaio 2011 a giugno 2021) per calcolare la volatilità realizzata (RV). I dati delle opzioni provengono da OptionMetrics.
• Misura RV: La RV è calcolata come la somma dei quadrati dei rendimenti logaritmici a 5 minuti. Per gestire l'elevata asimmetria positiva, viene applicata una trasformazione logaritmica.
• Periodo di test: Il periodo di out-of-sample va da gennaio 2020 a giugno 2020.

B. Modelli di Volatilità Stocastica

Gli autori confrontano quattro modelli per estrarre la volatilità istantanea ($V_t$) dai dati delle opzioni:

1. Heston (1993)
2. Bates (2000)
3. SVCJ (Eraker et al., 2003)
4. Rough Heston (El Euch & Rosenbaum, 2019): Un modello non-Markoviano che incorpora un kernel frazionario per catturare la "ruvidità" della volatilità, allineandosi meglio con le evidenze empiriche (Gatheral et al., 2018).

C. Inferenza Parametrica e Approssimazione Deep Learning

Estrarre la serie temporale della volatilità istantanea dai dati delle opzioni è computazionalmente oneroso, specialmente per il modello Rough Heston che non ammette soluzioni in forma chiusa.

• Framework di Inferenza: Gli autori adottano il metodo iterativo a due passi di Andersen et al. (2015a). Questo metodo minimizza una funzione obiettivo che combina:
  1. L'errore quadratico medio tra i prezzi delle opzioni di mercato e quelli del modello (fit cross-sectionale).
  2. Una penalità che allinea la volatilità istantanea stimata con la volatilità realizzata non parametrica (fit temporale).
• Surrogato Deep Learning: Per superare i costi computazionali del modello Rough Heston (che richiede la risoluzione di equazioni differenziali ricche o inversioni di Fourier complesse), gli autori addestrano una rete neurale profonda (Deep Learning Surrogate).
  • La rete apprende la mappatura "da parametri del modello a prezzi delle opzioni" (MtP) utilizzando un dataset sintetico di milioni di campioni.
  • Questo surrogato leggero sostituisce il motore di pricing numerico durante l'ottimizzazione, accelerando drasticamente il processo di stima senza sacrificare l'accuratezza (errore medio percentuale < 0.5%).

D. Modelli di Previsione (HARX)

Vengono stimati diversi modelli HARX (HAR esteso con variabili esogene) per prevedere il logaritmo della RV futura:

• Benchmark: HAR-RV (solo componenti RV storiche: giornaliera, settimanale, mensile).
• Varianti:
  • HAR-RV-VIX (aggiunta dell'indice VIX).
  • HAR-RV-SV (aggiunta degli stimatori di volatilità istantanea dai modelli Heston, Bates, SVCJ).
  • HAR-RV-RHeston: Aggiunta dello stimatore di volatilità istantanea dal modello Rough Heston.

3. Risultati Chiave

A. Performance In-Sample

• Il modello HAR-RV-RHeston ottiene il $R^2$ aggiustato più alto (0.644), superando il benchmark HAR-RV (0.605) e tutte le altre varianti (HAR-RV-VIX: 0.627; HAR-RV-Heston: 0.624).
• Il coefficiente associato alla componente Rough Heston è statisticamente significativo e economicamente rilevante, indicando che la dinamica "ruvida" cattura informazioni incrementali non presenti nei modelli tradizionali.

B. Performance Out-of-Sample (Previsione a 1 giorno)

• Accuratezza: Il modello HAR-RV-RHeston registra gli errori più bassi su tutte le metriche:
  • MAE: 0.2137 (riduzione del 9% rispetto al benchmark).
  • RMSE: 0.2762 (riduzione del 5% rispetto al benchmark).
  • QLIKE: 0.0403 (il più basso).
• Accuratezza Direzionale (MDA): Il modello raggiunge un'accuratezza direzionale del 73.60%, superiore di 5.6 punti percentuali rispetto al benchmark HAR-RV (68.00%). Questo è cruciale per le strategie di trading.
• Confronto Statistico (Test di Diebold-Mariano): Le differenze di accuratezza tra HAR-RV-RHeston e tutti gli altri modelli (inclusi VIX e modelli SV classici) sono statisticamente significative. Il modello Rough Heston domina sistematicamente.

C. Orizzonti Multipli (1-22 giorni)

• L'analisi su orizzonti temporali multipli (da 1 a 22 giorni) conferma che il modello HAR-RV-RHeston mantiene prestazioni superiori sia in termini di errore (MAE, RMSE, QLIKE) che di accuratezza direzionale rispetto ai benchmark, dimostrando una robustezza che si estende fino a un mese di previsione.

4. Contributi Principali

1. Integrazione della Volatilità "Rough": Dimostrazione empirica che l'inclusione di stimatori basati su modelli di volatilità ruvida (Rough Heston) fornisce informazioni superiori rispetto ai modelli stocastici classici e all'indice VIX per la previsione della volatilità realizzata.
2. Innovazione Metodologica (Deep Learning): Sviluppo di un approccio ibrido che utilizza il deep learning come surrogato computazionale per l'inferenza parametrica su modelli complessi (non-Markoviani) su grandi pannelli di opzioni. Questo risolve il collo di bottiglia computazionale che ha finora limitato l'uso pratico dei modelli Rough Volatility.
3. Validazione del Framework di Inferenza: Applicazione rigorosa del framework di Andersen et al. (2015a) per l'estrazione di stati latenti da dati di opzioni, garantendo la coerenza tra i dati di mercato e le dinamiche del modello sottostante.

5. Significato e Implicazioni

Il paper dimostra che la "ruvidità" della volatilità non è solo una curiosità accademica, ma contiene informazioni predittive reali e misurabili.

• Per la Ricerca: Suggerisce che i modelli di volatilità futura devono incorporare dinamiche non-Markoviane per essere efficaci.
• Per la Pratica Finanziaria: Fornisce uno strumento pratico per migliorare le strategie di trading, la gestione del rischio e l'ottimizzazione dei portafogli, offrendo previsioni di volatilità più precise e una migliore capacità di prevedere la direzione delle variazioni di volatilità.
• Scalabilità: La metodologia basata su surrogati deep learning rende fattibile l'uso di modelli complessi su dataset su larga scala, aprendo la strada a future applicazioni in asset pricing e calibrazione di modelli derivati.

In sintesi, gli autori concludono che l'approccio HAR-RV-RHeston rappresenta lo stato dell'arte attuale nella previsione della volatilità, superando sia i modelli puramente storici che quelli basati su indici non parametrici o modelli stocastici tradizionali.