Bayesian Dynamic Modeling of Realized Volatility in Financial Asset Price Forecasting

Riepilogo Tecnico: Modellazione Dinamica Bayesiana della Volatilità Realizzata nella Previsione dei Prezzi delle Attività Finanziarie

Enunciato del Problema
La previsione finanziaria richiede metodi efficienti e sequenziali capaci di adattarsi alle fluttuazioni di volatilità a breve termine integrando dati ad alta frequenza. Gli approcci tradizionali affrontano un compromesso: i modelli classici di Volatilità Stocastica (SV) che utilizzano processi latenti di log-varianza sono flessibili ma computazionalmente intensivi, richiedendo spesso catene di Markov Monte Carlo (MCMC) o filtraggio particellare con un significativo affinamento. Al contrario, i modelli di Volatilità Realizzata (RV) prevedono direttamente misure empiriche di volatilità, ma operano spesso al di fuori di uno spazio di stato congiunto prezzo–volatilità. I modelli ibridi (ad esempio, SV Realizzata, GARCH Realizzato) combinano questi elementi ma dipendono tipicamente da inferenza basata su simulazioni o ottimizzazione statica della verosimiglianza, mancando della trattabilità analitica necessaria per il monitoraggio rapido, online e la scalabilità su molte attività. Il documento affronta la necessità di un quadro analiticamente trattabile e computazionalmente veloce che modelli congiuntamente i prezzi delle attività e la volatilità realizzata per migliorare la previsione a breve termine e la gestione del rischio, senza gli oneri dei metodi basati su simulazioni.

Metodologia
Gli autori introducono una nuova classe di Modelli Lineari Dinamici per la Volatilità Realizzata (RV-DLM). Questo quadro estende i tradizionali Modelli Lineari Dinamici (DLM) di sconto bayesiano per i prezzi delle attività integrando un modello di processo gamma dinamico per la varianza realizzata.

1. Struttura del Modello:

   • Componente Prezzo: Il modello mantiene la struttura standard SV-DLM per i log-prezzi ($y_t$), utilizzando un vettore di stato latente $\theta_t$ e un parametro di precisione $\phi_t$ (varianza inversa). L'evoluzione di $\phi_t$ segue un processo di apprendimento a sconto controllato da un fattore di sconto $\beta$.
   • Componente Varianza Realizzata: Una nuova equazione di osservazione modella il proxy della varianza realizzata ($z_t$) come $z_t = \eta_t / \phi_t$, dove $\eta_t$ segue una distribuzione Gamma. Questo stabilisce una relazione Gamma condizionale tra la misura realizzata e la precisione latente.
   • Integrazione Bivariata: Il modello congiunto per $(y_t, z_t)$ è costruito in modo tale che la distribuzione predittiva marginale per $z_t$ sia una distribuzione F scalata, e la distribuzione condizionale per $y_t$ dato $z_t$ sia una distribuzione Student-t. Ciò preserva la struttura coniugata normale-gamma del DLM sottostante.

2. Leva e Feedback della Volatilità (RVL-DLM):

   • Il quadro consente l'inclusione di proxy di volatilità realizzata come predittori nell'equazione dei prezzi. Nello specifico, il vettore di regressione $F_t$ può includere la deviazione standard realizzata contemporanea ($x_t = \sqrt{z_t}$) e valori ritardati ($x_{t-1}$).
   • Questa formulazione cattura effetti di leva e feedback in forma ridotta. Il coefficiente contemporaneo rappresenta l'associazione immediata tra volatilità ad alta frequenza e variazioni di prezzo, mentre il coefficiente ritardato cattura effetti a breve orizzonte. Il modello apprende questi coefficienti in modo sequenziale dai dati, invece di imporre termini di asimmetria strutturale.

3. Inferenza e Computazione:

   • Il modello mantiene la piena trattabilità analitica. Filtraggio sequenziale, previsione, valutazione della verosimiglianza marginale e lisciamento retrospettivo sono eseguiti tramite aggiornamenti in forma chiusa.
   • La previsione un passo avanti è ottenuta attraverso simulazione composita diretta: estrazione di $z_t$ dalla distribuzione predittiva F scalata e successiva estrazione di $y_t$ dalla distribuzione Student-t condizionale.
   • L'approccio evita MCMC e filtri particellari, offrendo un costo computazionale aggiuntivo trascurabile rispetto ai DLM standard.

Contributi Chiave

• Nuova Classe di Modelli: L'introduzione di RV-DLM e RVL-DLM, che sovrappongono con successo un processo gamma dinamico per la volatilità realizzata ai tradizionali SV-DLM bayesiani.
• Trattabilità Analitica: La derivazione di analisi bayesiane pienamente coniugate per il sistema bivariato, che producono distribuzioni predittive F scalata e Student-t senza inferenza basata su simulazioni.
• Integrazione di Dati ad Alta Frequenza: Un meccanismo per incorporare dati intraday (tramite proxy di varianza realizzata basati su OHLC) direttamente nel filtraggio sequenziale degli stati di volatilità latenti, migliorando la precisione del tracciamento della volatilità.
• Modellazione della Leva in Forma Ridotta: Un approccio flessibile per modellare la dipendenza prezzo-volatilità (leva e feedback) attraverso coefficienti variabili nel tempo sui predittori di volatilità realizzata, appresi dinamicamente all'interno del quadro dello spazio di stato.

Risultati Empirici
Gli autori hanno applicato i modelli ai dati di prezzo giornalieri per 9 ETF SPDR dei Settori Selezionati S&P 500 e per lo stesso Indice S&P, coprendo il periodo dal 2000 al 2025. Hanno confrontato tre modelli:

1. SV-DLM: Un benchmark univariato tradizionale che utilizza solo dati di prezzo (con RV ritardata come predittore fisso).
2. RV-DLM: Un modello bivariato che incorpora la volatilità realizzata ritardata ($x_{t-1}$) come predittore e utilizza $z_t$ per l'apprendimento diretto della volatilità.
3. RVL-DLM: Il modello più generale, che include sia predittori di volatilità realizzata ritardati ($x_{t-1}$) che contemporanei ($x_t$).

• Prestazioni Predittive: I fattori di Bayes logaritmici cumulativi hanno dimostrato che sia le varianti RV-DLM che RVL-DLM hanno superato costantemente il tradizionale SV-DLM su tutte le 10 serie. L'RVL-DLM, che include il predittore di volatilità contemporanea, ha fornito ulteriori guadagni incrementali rispetto all'RV-DLM.
• Comportamento dei Coefficienti: Nell'RVL-DLM, la mediana posteriore per il coefficiente contemporaneo ($x_t$) è stata generalmente negativa, mentre il coefficiente ritardato ($x_{t-1}$) è stato generalmente positivo. Ciò è coerente con le evidenze ad alta frequenza di un'asimmetria negativa tra rendimento e volatilità contemporanea e di effetti ritardati positivi.
• Robustezza: I modelli hanno mostrato una maggiore nitidezza della densità predittiva e una ridotta incertezza, in particolare durante periodi di stress di mercato (ad esempio, l'inizio della pandemia del 2020 e il flash crash del 2010), dove le informazioni sulla volatilità realizzata hanno fornito aggiornamenti critici allo stato latente.

Significato e Affermazioni
Il documento afferma che il quadro RV-DLM offre una soluzione pratica e scalabile per la previsione finanziaria che colma il divario tra l'interpretabilità e la velocità dei filtri di apprendimento a sconto coniugati e la nitidezza empirica dei modelli di volatilità realizzata.

• Efficienza: Il metodo fornisce un'analisi "computazionalmente diretta" con "costo computazionale aggiuntivo trascurabile", consentendo la scalabilità verso dimensioni superiori per la costruzione di portafogli multivariati (approcci disaccoppiati/ricoppiati).
• Rilevanza Pratica: I modelli offrono intuizioni contestuali sulla natura degli effetti di leva e feedback della volatilità, quantificandone l'impatto sulle previsioni dei prezzi senza richiedere assunzioni strutturali complesse.
• Miglioramento della Previsione: Il guadagno principale è attribuito a distribuzioni predittive più nitide e a un uso più efficiente delle informazioni sulla volatilità realizzata, piuttosto che a spostamenti massicci nelle previsioni puntuali.
• Scalabilità Futura: Gli autori notano che la struttura in forma chiusa si estende naturalmente a contesti multivariati utilizzando distribzioni Wishart e F multivariate, posizionando questi modelli come mattoni fondamentali per più ampi sistemi di valutazione del rischio e trading bayesiani.

Lo studio conclude che l'incorporazione della volatilità realizzata contemporanea in un modello sequenziale pienamente coniugato è una strategia robusta per migliorare la previsione dei prezzi a breve termine e la caratterizzazione del rischio nei sistemi in tempo reale.