Arbitrage-Aware Multi-Step Forecasting of Implied Volatility Surfaces: Modelling Surface Trajectories Using Latent Diffusion
Dit artikel stelt een arbitrage-bewust conditioneel latent diffusiekader voor dat realistische, economisch toelaatbare meerstaps probabilistische voorspellingen genereert van geïmpliceerde volatiliteitsoppervlakken en onderliggende rendementen, waarbij het de persistentie-benchmarks in puntvoorspelling overtreft terwijl het complexe oppervlakgeometrie en temporele afhankelijkheid effectief modelleert.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Financiële markten zijn uitgestrekte, complexe ecosystemen waar de prijs van een activum slechts de helft van het verhaal is; de andere helft is de onzekerheid rondom die prijs. Wanneer beleggers opties kopen, contracten die hen het recht geven om later iets te kopen of verkopen, betalen ze in essentie voor een voorspelling van hoe sterk die prijs kan schommelen. Om deze voorspellingen te begrijpen, kijken handelaren naar een "volatiliteitsoppervlak". Stel je een driedimensionale kaart voor waarbij elk punt vertegenwoordigt hoeveel onzekerheid de markt verwacht voor een specifieke prijsdoelstelling en een specifieke toekomstige datum. Deze kaart is niet vlak; het heeft heuvels en dalen die voortdurend verschuiven, wat de collectieve stemming van de markt weerspiegelt. Als deze kaart onjuist wordt getekend, kan dit leiden tot enorme financiële verliezen of het mogelijk maken van risicovrije winsten die niet zouden mogen bestaan, ook wel arbitrage genoemd. Omdat deze kaarten zo centraal staan bij het bepalen van prijzen en het beheren van risico's, is het vermogen om te voorspellen hoe ze in de loop van de tijd zullen veranderen een heilige graal in de financiële wereld. Het voorspellen van de toekomstige vorm van deze kaart is echter uiterst moeilijk, omdat het strikte economische regels moet volgen terwijl het ook rekening moet houden met de chaotische, onvoorspelbare aard van menselijk gedrag en marktnieuws.
Onderzoekers aan de Universiteit van St. Gallen hebben een nieuwe manier ontwikkeld om deze verschuivende kaarten te voorspellen, waarbij ze het probleem niet beschouwen als een eenvoudige gok, maar als een reis door de tijd. In plaats van te proberen één enkel toekomstig punt te voorspellen, genereert hun systeem een volledige dertigdaagse film van hoe het volatiliteitsoppervlak zich dag na dag kan ontwikkelen, samen met de beweging van de aandelenmarkt zelf. Ze hebben een tweeledig machine learning-systeem gebouwd om dit te bereiken. Het eerste deel werkt als een vertaler, die de complexe, driedimensionale kaart comprimeert tot een eenvoudigere, laagdimensionale code die de essentiële vorm vastlegt zonder de ruis. Deze vertaler is getraind met een strikte regel: het mag nooit een kaart produceren die risicovrije winsten mogelijk maakt. Door deze economische regel direct in de vertaler in te bakken, zorgt het systeem ervoor dat elk door het systeem gecreëerd scenario financieel geldig is. Het tweede deel van het systeem is een generatieve motor die deze vereenvoudigde code neemt en de volgende dertig dagen aan bewegingen verbeeldt. Het leert van jaren aan historische gegevens om te begrijpen hoe de kaart gewoonlijk verandert, hoe deze reageert op dalingen van de aandelenkoersen en hoe onzekerheid in de loop van de tijd de neiging heeft zich te verspreiden.
De resultaten van deze aanpak laten zien dat het systeem een systeem is dat opmerkelijk goed in staat is om het ritme van de markt te vangen, hoewel het een specifieke blinde vlek heeft. Wanneer de onderzoekers hun model testten op gegevens van de S&P 500-index, merkten ze op dat de gegenereerde kaarten er zeer echt uitzagen. Ze behielden de vertrouwde "smile"-vorm die optiemarkten doorgaans vertonen, waarbij de onzekerheid groter is bij extreme prijsbewegingen, en ze reproduceerden correct de manier waarop onzekerheid verandert naarmate de tijd verstrijkt. Het model legde ook succesvol de diepe connectie tussen aandelenkoersen en volatiliteit vast: wanneer aandelen dalen, stijgt de onzekerheid meestal, en het model leerde om deze negatieve relatie accuraat te genereren over perioden van een week of een maand. Sterker nog, voor voorspellingen die verder reiken dan een paar dagen, waren de voorspellingen van het model nauwkeuriger dan simpelweg aannemen dat de markt precies blijft zoals hij vandaag is. Dit is een belangrijke bevinding, omdat financiële markten vaak zo efficiënt zijn dat de beste gok voor morgen meestal simpelweg de staat van vandaag is.
Het model is echter geen kristallen bol voor de directe toekomst. Voor de eerstvolgende dag had het systeem moeite om de eenvoudige aanname dat er niets zal veranderen te verslaan, waarbij het vaak te veel beweging voorspelde waar de markt in werkelijkheid stil bleef liggen. Bovendien, hoewel het model uitstekend was in het voorspellen van de richting en vorm van toekomstige veranderingen, onderschatte het consequent hoe heftig die veranderingen zouden zijn. Het bereik van mogelijke uitkomsten dat het genereerde, was te smal; het ving het pad dat de markt zou kunnen nemen, maar miste de volledige intensiteit van de storm. Dit suggereert dat het model beter is in het begrijpen van de structuur van marktbewegingen dan van de pure omvang van hun chaos. Ondanks dit alles produceert het systeem een reeks plausibele, economisch verantwoorde scenario's die beleggers kunnen helpen om een reeks toekomsten te visualiseren in plaats van een enkele, rigide voorspelling.
De onderzoekers hebben er ook op gelet dat hun werk door anderen gecontroleerd en herhaald kan worden, door de code en de gegevensprotocollen die zij gebruikten vrij te geven. Deze transparantie is cruciaal in een vakgebied waar modellen vaak "black boxes" zijn. Door een duidelijk pad te bieden waarmee anderen hun ideeën tegen dezelfde gegevens kunnen testen, helpen zij bij het opbouwen van een standaard voor hoe deze complexe problemen moeten worden opgelost. De studie concludeert dat, hoewel dit instrument niet perfect is voor het voorspellen van de prijs van de eerstvolgende dag, het een krachtige motor is voor het genereren van realistische, meer weken durende verhalen over hoe de onzekerheid in de markt zich kan ontvouwen. Het biedt een manier om de toekomst niet te zien als een enkele lijn, maar als een wolk van mogelijkheden die de fundamentele wetten van de economie respecteert, waardoor handelaren een beter gevoel krijgen bij het terrein dat zij in de komende weken moeten navigeren.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.