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

O estudo demonstra que o modelo HAR-RV-RHeston, que incorpora estimadores de volatilidade spot derivados de dados de opções sob um modelo de volatilidade rugosa, supera os modelos tradicionais e o índice VIX na previsão da volatilidade realizada diária e em horizontes de até um mês.

O essencial

Imagine que tentar prever o futuro do mercado financeiro é como tentar prever o clima. Você olha para o céu hoje (os dados de ontem), vê que está nublado e chovendo, e tenta adivinhar se vai chover amanhã.

A maioria dos especialistas faz isso olhando apenas para o histórico: "Ontem choveu muito, então hoje deve chover um pouco". No mundo das finanças, isso é chamado de modelo HAR. Ele é bom, mas tem um limite: ele só olha para trás.

Este artigo propõe uma ideia genial: e se, em vez de só olhar para o histórico, pudéssemos olhar para como as pessoas estão apostando no futuro?

Aqui está a explicação simplificada, usando analogias do dia a dia:

1. O Problema: Olhar apenas para o retrovisor

Os modelos tradicionais de volatilidade (que medem o "tamanho das ondas" ou o risco do mercado) funcionam como um motorista que dirige olhando apenas pelo retrovisor. Eles sabem onde o carro esteve, mas têm dificuldade em prever curvas bruscas que estão vindo pela frente. Eles usam dados passados para tentar adivinhar o futuro, mas o mercado é cheio de surpresas.

2. A Solução: O "Oráculo" das Opções

O mercado de opções (contratos que dão o direito de comprar ou vender ações no futuro) é diferente. O preço dessas opções não é apenas um reflexo do passado; é uma bola de cristal. Quando os investidores compram opções, eles estão dizendo: "Acho que o mercado vai ficar muito agitado (ou muito calmo) nos próximos dias".

O artigo diz: "Vamos pegar essas 'apostas' do futuro e usá-las para melhorar nossa previsão".

3. A Inovação: O Modelo "Rough" (O "Terreno Acidentado")

Aqui entra a parte mais técnica, mas com uma analogia simples:

• Os Modelos Antigos (Heston, Bates): Imagine que você está tentando descrever a superfície de um lago. Os modelos antigos dizem que a água é lisa, com ondas suaves e previsíveis. Eles assumem que a volatilidade muda de forma "bonita" e contínua.
• O Modelo "Rough" (Rough Heston): Os pesquisadores descobriram que a volatilidade real não é um lago liso. Ela é como um terreno acidentado e irregular, cheio de pequenas pedras e rugosidades que os modelos antigos ignoram. É como tentar andar em uma trilha de terra batida em vez de uma pista de corrida perfeitamente asfaltada.

O modelo "Rough" tenta capturar essa "rugosidade" e esses detalhes finos que os outros modelos perdem.

4. O Truque do Computador: O "Atalho Inteligente"

O problema é que calcular esse modelo "Rough" é como tentar resolver um quebra-cabeça de 1 milhão de peças com as mãos. É tão lento e complexo que, na prática, seria impossível usar para prever o mercado em tempo real.

Aí, os autores usaram Inteligência Artificial (Deep Learning) como um "atalho".

• Eles treinaram uma IA para aprender a "receita" de como calcular o preço das opções.
• Depois de treinada, essa IA se tornou um robô super-rápido (um "surrogate" ou substituto) que faz o trabalho pesado em segundos, permitindo que eles usem o modelo complexo "Rough" sem esperar dias pelo resultado.

5. O Resultado: Quem venceu a corrida?

Os pesquisadores testaram vários modelos para prever a volatilidade do mercado (S&P 500):

1. O modelo antigo (só olhando para trás).
2. O modelo antigo + o índice VIX (o "medidor de medo" do mercado, que é uma média simples das opções).
3. O modelo antigo + modelos tradicionais de opções.
4. O modelo vencedor: O modelo antigo + o modelo "Rough" (com a ajuda da IA).

O veredito:
O modelo com o "terreno acidentado" (Rough Heston) foi o campeão.

• Ele previu o tamanho das ondas (volatilidade) com mais precisão.
• Ele acertou melhor a direção (se a volatilidade vai subir ou descer), o que é crucial para quem quer ganhar dinheiro no mercado.
• Ele funcionou bem não só para amanhã, mas também para prever o clima da próxima semana ou do próximo mês.

Resumo Final

Pense no mercado financeiro como um mar agitado.

• Os modelos antigos olham para as ondas passadas e dizem: "Vai continuar agitado".
• Os modelos novos olham para as apostas dos marinheiros (opções) e dizem: "Eles estão comprando coletes salva-vidas, então vai vir uma tempestade".
• Este artigo mostrou que, se você olhar para essas apostas e entender que o mar é mais "áspero" e irregular do que parece (o modelo Rough), usando um computador inteligente para fazer as contas, você consegue prever a tempestade com muito mais precisão do que qualquer outro método.

É como ter um GPS que não só sabe onde você esteve, mas também lê a mente dos outros motoristas e entende que a estrada tem buracos invisíveis, permitindo que você dirija com muito mais segurança.

Resumo técnico

Resumo Técnico: Previsão de Volatilidade Realizada Impulsionada por Opções: Ganhos de Informação via Modelo de Volatilidade Rugosa

1. Problema e Motivação

A previsão de volatilidade é fundamental para a gestão de riscos, precificação de ativos e políticas monetárias. O modelo padrão na literatura é o Modelo Autorregressivo Heterogêneo (HAR), proposto por Corsi (2009), que utiliza dados históricos de volatilidade realizada (RV) para prever a volatilidade futura.

• Limitação Atual: A maioria dos modelos existentes baseia-se apenas em dados de retorno passados (visão retrospectiva). Embora existam estudos que incorporam o índice VIX (volatilidade implícita não paramétrica), há uma lacuna na exploração sistemática de estimadores de volatilidade spot baseados em modelos extraídos de dados de opções, especialmente utilizando modelos de volatilidade mais avançados.
• Oportunidade: Os modelos de volatilidade rugosa (rough volatility), como o Rough Heston, capturam dinâmicas de volatilidade mais refinadas (como persistência de caminhos rugosos) que os modelos tradicionais ignoram. No entanto, a estimação desses modelos em grandes painéis de opções é computacionalmente proibitiva devido à falta de soluções de forma fechada e à natureza não-Markoviana.

2. Metodologia

Os autores propõem uma abordagem inovadora que combina inferência paramétrica avançada com técnicas de aprendizado profundo para superar as barreiras computacionais.

A. Modelos Utilizados:

• Modelo de Referência: HAR-RV (baseado apenas em RV histórica).
• Modelos de Benchmark:
  • HAR-RV-VIX (incorporando o índice VIX).
  • HAR-RV-SV (incorporando estimadores de volatilidade spot de modelos estocásticos tradicionais: Heston, Bates e SVCJ).
  • Modelo Proposto: HAR-RV-RHeston, que incorpora o estimador de volatilidade spot extraído do Modelo Rough Heston.

B. Extração de Estimadores de Volatilidade Spot:
Para inferir a série de volatilidade spot ($V_t$) e os parâmetros estruturais dos modelos a partir de dados de opções, os autores adotam o framework de inferência paramétrica de Andersen et al. (2015a):

1. Procedimento Iterativo de Dois Passos:
   • Passo 1: Dado um conjunto de parâmetros estruturais, resolve-se uma otimização de mínimos quadrados não lineares penalizados para estimar a série de variância spot diária.
   • Passo 2: Otimizam-se os parâmetros estruturais globais usando as séries de variância estimadas no passo 1.
   • O processo repete-se até a convergência.

C. Aceleração via Deep Learning (Surrogate):
O maior desafio é o custo computacional do modelo Rough Heston, que envolve equações de Riccati fracionárias ou sistemas de ODEs complexos.

• Solução: Os autores utilizam uma rede neural profunda (Deep Learning) como um "surrogate" (substituto leve).
• Treinamento: A rede é treinada em um grande conjunto de dados sintéticos (milhões de amostras) para aprender o mapeamento entre os parâmetros do modelo/variáveis do contrato e o preço da opção (abordagem Model-to-Price).
• Aplicação: Uma vez treinada, a rede neural substitui o motor de precificação numérico pesado durante a estimação e calibração, acelerando drasticamente o processo sem perda significativa de precisão (erro médio < 0,5%).

D. Dados:

• Ativo: S&P 500 (SPX).
• Período: Janeiro de 2011 a Junho de 2021.
• Dados de Alta Frequência: Retornos de 5 minutos para calcular a Volatilidade Realizada (RV).
• Dados de Opções: Retirados do OptionMetrics para a extração dos estimadores de volatilidade spot.

3. Contribuições Principais

1. Avanço Teórico e Empírico: Demonstra que a volatilidade rugosa contém informações incrementais únicas para a previsão de volatilidade realizada, superando tanto os modelos estocásticos tradicionais (Heston, Bates, SVCJ) quanto o índice VIX não paramétrico.
2. Inovação Metodológica: Resolve o problema de escalabilidade da calibração de modelos de volatilidade rugosa em grandes painéis de opções ao integrar a inferência paramétrica de Andersen et al. com Deep Learning como um acelerador computacional.
3. Melhoria no Framework HAR: Estende o modelo HAR padrão incorporando estimadores de volatilidade spot latentes derivados de opções, criando um modelo híbrido (HAR-RV-RHeston) com maior poder preditivo.

4. Resultados Empíricos

A. Resultados "In-Sample" (Amostra de Treino):

• O modelo HAR-RV-RHeston alcançou o maior $R^2$ ajustado (0,644), superando o HAR-RV padrão (0,605) e o HAR-RV-VIX (0,627).
• O coeficiente associado à componente Rough Heston foi altamente significativo (t-stat = 13,767), indicando forte poder explicativo.

B. Resultados "Out-of-Sample" (Previsão):

• Precisão: O HAR-RV-RHeston obteve os menores erros de previsão em todas as métricas (MAE, RMSE, QLIKE) para o horizonte de 1 dia.
  • Redução de 9% no MAE e 5% no RMSE em comparação ao HAR-RV padrão.
• Precisão Direcional (MDA): O modelo atingiu 73,60% de acurácia na direção da mudança de volatilidade (alta ou baixa), superando o benchmark em 5,6 pontos percentuais. Isso é crucial para estratégias de trading.
• Significância Estatística: O teste de Diebold-Mariano (DM) confirmou que o HAR-RV-RHeston supera estatisticamente todos os outros modelos, incluindo o VIX e os modelos SV tradicionais.

C. Horizontes Múltiplos:

• A superioridade do modelo Rough Heston persistiu consistentemente em horizontes de previsão de 1 a 22 dias (diário, semanal e mensal), mantendo erros menores e maior acurácia direcional em comparação aos benchmarks.

5. Significância e Conclusão

O estudo conclui que a rugosidade da volatilidade é um componente informativo crítico que não é capturado por modelos tradicionais ou pelo VIX.

• Valor Prático: A incorporação de estimadores de volatilidade spot baseados no modelo Rough Heston melhora significativamente a precisão de previsões de volatilidade, o que é vital para a otimização de estratégias de trading algorítmico e gestão de risco.
• Viabilidade Computacional: O uso de Deep Learning como surrogate torna viável a aplicação de modelos complexos de volatilidade rugosa em grandes conjuntos de dados do mundo real, abrindo caminho para futuras pesquisas em calibração de modelos mais complexos (como o Quadratic Rough Heston).

Em suma, o artigo valida que a combinação de dados de opções, modelos de volatilidade rugosa e técnicas de aprendizado de máquina gera ganhos de informação substanciais para a previsão financeira.