Bayesian Dynamic Modeling of Realized Volatility in Financial Asset Price Forecasting

Resumo Técnico: Modelagem Dinâmica Bayesiana da Volatilidade Realizada na Previsão de Preços de Ativos Financeiros

Declaração do Problema
A previsão financeira exige métodos sequenciais eficientes que possam adaptar-se às flutuações de volatilidade de curto prazo, integrando dados de alta frequência. Abordagens tradicionais enfrentam um trade-off: modelos de Volatilidade Estocástica (SV) clássicos, que utilizam processos latentes de log-volatilidade, são flexíveis, mas computacionalmente intensivos, frequentemente exigindo Cadeias de Markov Monte Carlo (MCMC) ou filtragem de partículas com ajuste significativo. Por outro lado, modelos de Volatilidade Realizada (RV) preveem medidas empíricas de volatilidade diretamente, mas muitas vezes operam fora de um espaço de estados conjunto preço–volatilidade. Modelos híbridos (por exemplo, SV Realizado, GARCH Realizado) combinam esses elementos, mas geralmente dependem de inferência baseada em simulação ou otimização de verossimilhança estática, carecendo da tratabilidade analítica necessária para monitoramento rápido, online e escalável em muitos ativos. O artigo aborda a necessidade de um framework analiticamente tratável e computacionalmente rápido que modele conjuntamente preços de ativos e volatilidade realizada para melhorar a previsão de curto prazo e a gestão de riscos, sem os encargos de métodos baseados em simulação.

Metodologia
Os autores introduzem uma nova classe de Modelos Lineares Dinâmicos de Volatilidade Realizada (RV-DLMs). Este framework estende os tradicionais Modelos Lineares Dinâmicos (DLMs) Bayesianos de desconto para preços de ativos, integrando um modelo de processo gama dinâmico para a variância realizada.

1. Estrutura do Modelo:

   • Componente de Preço: O modelo mantém a estrutura padrão SV-DLM para log-preços ($y_t$), utilizando um vetor de estado latente $\theta_t$ e um parâmetro de precisão $\phi_t$ (inverso da variância). A evolução de $\phi_t$ segue um processo de aprendizado por desconto controlado por um fator de desconto $\beta$.
   • Componente de Variância Realizada: Uma nova equação de observação modela o proxy de variância realizada ($z_t$) como $z_t = \eta_t / \phi_t$, onde $\eta_t$ segue uma distribuição Gama. Isso estabelece uma relação Gama condicional entre a medida realizada e a precisão latente.
   • Integração Bivariada: O modelo conjunto para $(y_t, z_t)$ é construído de modo que a distribuição preditiva marginal para $z_t$ seja uma distribuição F escalonada, e a distribuição condicional para $y_t$ dado $z_t$ seja uma distribuição t de Student. Isso preserva a estrutura Gama-Normal conjugada do DLM subjacente.

2. Alavancagem e Feedback de Volatilidade (RVL-DLM):

   • O framework permite a inclusão de proxies de volatilidade realizada como preditores na equação de preços. Especificamente, o vetor de regressão $F_t$ pode incluir o desvio padrão realizado contemporâneo ($x_t = \sqrt{z_t}$) e valores defasados ($x_{t-1}$).
   • Esta formulação captura efeitos de alavancagem e feedback em forma reduzida. O coeficiente contemporâneo representa a associação imediata entre volatilidade de alta frequência e mudanças de preços, enquanto o coeficiente defasado captura efeitos de curto horizonte. O modelo aprende esses coeficientes sequencialmente a partir dos dados, em vez de impor termos de assimetria estrutural.

3. Inferência e Computação:

   • O modelo mantém tratabilidade analítica completa. Filtragem sequencial, previsão, avaliação de verossimilhança marginal e suavização retrospectiva são realizadas por meio de atualizações de forma fechada.
   • A previsão um passo à frente é alcançada através de simulação composicional direta: amostragem de $z_t$ da distribuição preditiva F escalonada e, em seguida, amostragem de $y_t$ da distribuição t de Student condicional.
   • A abordagem evita MCMC e filtros de partículas, oferecendo custo computacional extra negligenciável em comparação com DLMs padrão.

Principais Contribuições

• Nova Classe de Modelos: A introdução de RV-DLMs e RVL-DLMs, que sobreponem com sucesso um processo gama dinâmico para volatilidade realizada sobre SV-DLMs Bayesianos padrão.
• Tratabilidade Analítica: A derivação de análises Bayesianas totalmente conjugadas para o sistema bivariado, produzindo distribuições preditivas F escalonada e t de Student sem inferência baseada em simulação.
• Integração de Dados de Alta Frequência: Um mecanismo para incorporar dados intradiários (via proxies de variância realizada baseadas em OHLC) diretamente na filtragem sequencial de estados de volatilidade latente, melhorando a precisão do rastreamento de volatilidade.
• Modelagem de Alavancagem em Forma Reduzida: Uma abordagem flexível para modelar a dependência preço-volatilidade (alavancagem e feedback) através de coeficientes variáveis no tempo sobre preditores de volatilidade realizada, aprendidos dinamicamente dentro do framework de espaço de estados.

Resultados Empíricos
Os autores aplicaram os modelos a dados diários de preços de 9 ETFs do S&P 500 Select Sector SPDR e ao próprio Índice S&P, cobrindo o período de 2000 a 2025. Eles compararam três modelos:

1. SV-DLM: Uma referência univariada tradicional usando apenas dados de preços (com RV defasada como preditor fixo).
2. RV-DLM: Um modelo bivariado incorporando volatilidade realizada defasada ($x_{t-1}$) como preditor e usando $z_t$ para aprendizado direto de volatilidade.
3. RVL-DLM: O modelo mais geral, incluindo preditores de volatilidade realizada tanto defasados ($x_{t-1}$) quanto contemporâneos ($x_t$).

• Desempenho Preditivo: Fatores de Bayes logarítmicos cumulativos demonstraram que tanto as variantes RV-DLM quanto RVL-DLM superaram consistentemente o SV-DLM tradicional em todas as 10 séries. O RVL-DLM, que inclui o preditor de volatilidade contemporânea, proporcionou ganhos incrementais adicionais sobre o RV-DLM.
• Comportamento dos Coeficientes: No RVL-DLM, a mediana posterior para o coeficiente contemporâneo ($x_t$) foi geralmente negativa, enquanto o coeficiente defasado ($x_{t-1}$) foi geralmente positivo. Isso alinha-se com evidências de alta frequência de assimetria negativa retorno-volatilidade contemporânea e efeitos positivos defasados.
• Robustez: Os modelos mostraram maior nitidez da densidade preditiva e redução da incerteza, particularmente durante períodos de estresse de mercado (por exemplo, o início da pandemia de 2020 e o flash crash de 2010), onde a informação de volatilidade realizada forneceu atualizações críticas ao estado latente.

Significado e Alegações
O artigo alega que o framework RV-DLM oferece uma solução prática e escalável para previsão financeira que preenche a lacuna entre a interpretabilidade e velocidade dos filtros de aprendizado por desconto conjugados e a nitidez empírica dos modelos de volatilidade realizada.

• Eficiência: O método fornece análise "computacionalmente direta" com "custo computacional extra negligenciável", permitindo escalabilidade para dimensões mais altas na construção de portfólios multivariados (abordagens de desacoplamento/acoplamento).
• Relevância Prática: Os modelos fornecem insights contextuais sobre a natureza dos efeitos de alavancagem e feedback de volatilidade, quantificando seu impacto nas previsões de preços sem exigir suposições estruturais complexas.
• Melhoria na Previsão: O ganho principal é atribuído a distribuições preditivas mais nítidas e uso mais eficiente da informação de volatilidade realizada, em vez de grandes deslocamentos nas previsões pontuais.
• Escalabilidade Futura: Os autores observam que a estrutura de forma fechada se estende naturalmente para configurações multivariadas usando distribuições Wishart e F multivariada, posicionando esses modelos como blocos de construção para sistemas mais amplos de avaliação de riscos e negociação Bayesianos.

O estudo conclui que incorporar volatilidade realizada contemporânea em um modelo sequencial totalmente conjugado é uma estratégia robusta para melhorar a previsão de preços de curto prazo e a caracterização de riscos em sistemas em tempo real.