Bayesian Dynamic Modeling of Realized Volatility in Financial Asset Price Forecasting

Technische Samenvatting: Bayesiaanse Dynamische Modellering van Gerealiseerde Volatiliteit bij het Voorspellen van Financiële Actieprijzen

Probleemstelling
Financiële voorspelling vereist efficiënte, sequentiële methoden die kunnen aanpassen aan kortetermijnfluctuaties in volatiliteit, terwijl ze tegelijkertijd hoogfrequente data integreren. Traditionele benaderingen staan voor een afweging: klassieke Stochastic Volatility (SV) modellen die gebruikmaken van latente log-variatieprocessen zijn flexibel maar computatiever, vaak vereisend Markov chain Monte Carlo (MCMC) of deeltjessampling met aanzienlijke afstemming. Daarentegen voorspellen Realized Volatility (RV) modellen empirische volatiliteitsmaten direct, maar opereren vaak buiten een gezamenlijke prijs-volatiliteit toestandsruimte. Hybride modellen (bijvoorbeeld Realized SV, Realized GARCH) combineren deze elementen, maar vertrouwen doorgaans op simulatiegebaseerde inferentie of statische likelihood-optimalisatie, en missen de analytische hanteerbaarheid die vereist is voor snelle, online monitoring en schaalbaarheid over vele activa. Het artikel adresseert de behoefte aan een analytisch hanteerbaar, computergemakkelijk raamwerk dat gezamenlijk actieprijzen en gerealiseerde volatiliteit modelleert om kortetermijnvoorspelling en risicomanagement te verbeteren zonder de lasten van simulatiegebaseerde methoden.

Methodologie
De auteurs introduceren een nieuwe klasse van Realized Volatility Dynamic Linear Models (RV-DLM's). Dit raamwerk breidt traditionele Bayesiaanse discontering Dynamic Linear Models (DLM's) voor actieprijzen uit door integratie van een dynamisch gamma-procesmodel voor gerealiseerde variantie.

1. Modelstructuur:

   • Prijscomponent: Het model behoudt de standaard SV-DLM-structuur voor log-prijzen ($y_t$), gebruikmakend van een latente toestandsvector $\theta_t$ en een precisieparameter $\phi_t$ (inverse variantie). De evolutie van $\phi_t$ volgt een disconterend leerproces gecontroleerd door een disconteringsfactor $\beta$.
   • Gerealiseerde Variantiecomponent: Een nieuwe observatievergelijking modelleert de gerealiseerde variantieproxy ($z_t$) als $z_t = \eta_t / \phi_t$, waarbij $\eta_t$ een Gamma-verdeling volgt. Dit vestigt een conditionele Gamma-relatie tussen de gerealiseerde maat en de latente precisie.
   • Bivariate Integratie: Het gezamenlijke model voor $(y_t, z_t)$ is zodanig geconstrueerd dat de marginale predictieve verdeling voor $z_t$ een geschaalde-F-verdeling is, en de conditionele verdeling voor $y_t$ gegeven $z_t$ een Student-t-verdeling is. Dit behoudt de geconjugeerde normaal-gamma structuur van de onderliggende DLM.

2. Volatiliteitshefboom en Feedback (RVL-DLM):

   • Het raamwerk staat toe dat gerealiseerde volatiliteitsproxies als voorspellers worden opgenomen in de prijsvergelijking. Specifiek kan de regressievector $F_t$ gelijktijdige gerealiseerde standaardafwijking ($x_t = \sqrt{z_t}$) en vertraagde waarden ($x_{t-1}$) bevatten.
   • Deze formulering vangt reduced-form hefboom- en feedbackeffecten op. De gelijktijdige coefficient vertegenwoordigt de directe associatie tussen hoogfrequente volatiliteit en prijsveranderingen, terwijl de vertraagde coefficient kortetermijneffecten vastlegt. Het model leert deze coefficienten sequentieel uit de data in plaats van structurele asymmetrietermen op te leggen.

3. Inferentie en Berekening:

   • Het model behoudt volledige analytische hanteerbaarheid. Sequentiële filtering, voorspelling, evaluatie van marginale likelihood en retrospectieve smoothing worden uitgevoerd via gesloten-vorm updates.
   • Voorspelling één stap vooruit wordt bereikt door directe compositieve simulatie: trekken van $z_t$ uit de geschaalde-F predictieve verdeling en vervolgens trekken van $y_t$ uit de conditionele Student-t-verdeling.
   • De aanpak vermijdt MCMC en deeltjessampling, en biedt verwaarloosbare extra computatiekosten in vergelijking met standaard DLM's.

Belangrijkste Bijdragen

• Nieuwe Modelklasse: De introductie van RV-DLM's en RVL-DLM's, die succesvol een dynamisch gamma-proces voor gerealiseerde volatiliteit overlappen op standaard Bayesiaanse SV-DLM's.
• Analytische Hanteerbaarheid: De afleiding van volledig geconjugeerde Bayesiaanse analyses voor het bivariate systeem, resulterend in geschaalde-F en Student-t predictieve verdelingen zonder simulatiegebaseerde inferentie.
• Integratie van Hoogfrequente Data: Een mechanisme om intradagdata (via OHLC-gebaseerde gerealiseerde variantieproxies) direct op te nemen in de sequentiële filtering van latente volatiliteitstoestanden, waardoor de precisie van volatiliteitsvolging verbetert.
• Reduced-Form Hefboommodellering: Een flexibele aanpak voor het modelleren van prijs-volatiliteitsafhankelijkheid (hefboom en feedback) via tijdvariërende coefficienten op gerealiseerde volatiliteitsvoorspellers, dynamisch geleerd binnen het toestandsruimteramwerk.

Empirische Resultaten
De auteurs pasten de modellen toe op dagelijkse prijsdata voor 9 S&P 500 Select Sector SPDR ETF's en de S&P Index zelf, de periode van 2000 tot 2025 bestrijdend. Ze vergeleken drie modellen:

1. SV-DLM: Een traditioneel univariaat referentiepunt dat alleen prijsdata gebruikt (met vertraagde RV als vaste voorspeller).
2. RV-DLM: Een bivariaat model dat vertraagde gerealiseerde volatiliteit ($x_{t-1}$) als voorspeller integreert en $z_t$ gebruikt voor directe volatiliteitslearning.
3. RVL-DLM: Het meest algemene model, inclusief zowel vertraagde ($x_{t-1}$) als gelijktijdige ($x_t$) gerealiseerde volatiliteitsvoorspellers.

• Predictieve Prestaties: Cumulatieve log Bayes-factoren toonden aan dat zowel RV-DLM als RVL-DLM-varianten consistent de traditionele SV-DLM overtroffen over alle 10 reeksen. De RVL-DLM, die de gelijktijdige volatiliteitsvoorspeller bevat, bood verdere incrementele winsten ten opzichte van de RV-DLM.
• Coefficientgedrag: In de RVL-DLM was de posterior mediaan voor de gelijktijdige coefficient ($x_t$) over het algemeen negatief, terwijl de vertraagde coefficient ($x_{t-1}$) over het algemeen positief was. Dit stemt overeen met hoogfrequente bewijzen van negatieve gelijktijdige rendement-volatiliteitsasymmetrie en positieve vertraagde effecten.
• Robuustheid: De modellen toonden verbeterde scherpte van predictieve dichtheden en verminderde onzekerheid, met name tijdens periodes van marktstress (bijvoorbeeld het begin van de pandemie in 2020 en de flash crash van 2010), waarbij de informatie over gerealiseerde volatiliteit kritieke updates leverde aan de latente toestand.

Betekenis en Claims
Het artikel claimt dat het RV-DLM-raamwerk een praktische, schaalbare oplossing biedt voor financiële voorspelling die de kloof overbrugt tussen de interpreteerbaarheid en snelheid van geconjugeerde disconteringsleerfilters en de empirische scherpte van gerealiseerde volatiliteitsmodellen.

• Efficiëntie: De methode biedt "computationeel rechttoe rechtaan" analyse met "verwaarloosbare extra computatiekosten", waardoor schaalbaarheid naar hogere dimensies mogelijk wordt voor multivariate portefeuilleconstructie (decoupleren/koppelen-benaderingen).
• Praktische Relevantie: De modellen leveren contextuele inzichten in de aard van volatiliteitshefboom en feedbackeffecten, en kwantificeren hun impact op prijsvoorspellingen zonder complexe structurele aannames te vereisen.
• Verbetering van Voorspelling: De primaire winst wordt toegeschreven aan scherpere predictieve verdelingen en een efficiënter gebruik van informatie over gerealiseerde volatiliteit, in plaats van enorme verschuivingen in puntvoorspellingen.
• Toekomstige Schaalbaarheid: De auteurs merken op dat de gesloten-vorm structuur zich op natuurlijke wijze uitbreidt naar multivariate settings met behulp van Wishart- en multivariate-F-verdelingen, en deze modellen positioneert als bouwstenen voor bredere Bayesiaanse risicobeoordeling en transactiesystemen.

De studie concludeert dat het integreren van gelijktijdige gerealiseerde volatiliteit in een volledig geconjugeerd sequentieel model een robuuste strategie is voor het verbeteren van kortetermijnprijsvoorspelling en risicokarakterisering in real-time systemen.