Bayesian Dynamic Modeling of Realized Volatility in Financial Asset Price Forecasting

技术摘要：金融资产价格预测中已实现波动率的贝叶斯动态建模

问题陈述
金融预测需要高效、序列化的方法，这些方法既能适应短期波动率波动，又能整合高频数据。传统方法面临一种权衡：使用潜在对数方差过程的经典随机波动率（SV）模型虽然灵活，但计算成本高昂，通常需要进行大量调优的马尔可夫链蒙特卡洛（MCMC）或粒子滤波。相反，已实现波动率（RV）模型直接预测经验波动率指标，但通常运行在独立的价格 - 波动率状态空间之外。混合模型（如 Realized SV、Realized GARCH）结合了这些要素，但通常依赖基于模拟的推断或静态似然优化，缺乏快速在线监控和跨多资产扩展所需的解析可处理性。本文旨在解决对解析可处理、计算快速的框架的需求，该框架能够联合建模资产价格和已实现波动率，以改善短期预测和风险管理，同时避免基于模拟方法的负担。

方法论
作者引入了一类新的已实现波动率动态线性模型（RV-DLMs）。该框架通过将已实现方差的动态伽马过程模型整合到传统的资产价格贝叶斯折扣动态线性模型（DLMs）中，对其进行了扩展。

1. 模型结构：

   • 价格分量： 模型保留了对数价格（$y_t$）的标准 SV-DLM 结构，利用潜在状态向量 $\theta_t$ 和精度参数 $\phi_t$（逆方差）。$\phi_t$ 的演化遵循由折扣因子 $\beta$ 控制的折扣学习过程。
   • 已实现方差分量： 一个新的观测方程将已实现方差代理（$z_t$）建模为 $z_t = \eta_t / \phi_t$，其中 $\eta_t$ 服从伽马分布。这在已实现指标与潜在精度之间建立了条件伽马关系。
   • 双变量整合： $(y_t, z_t)$ 的联合模型构建使得 $z_t$ 的边缘预测分布为缩放 F 分布，而给定 $z_t$ 的 $y_t$ 条件分布为 Student-t 分布。这保留了底层 DLM 的共轭正态 - 伽马结构。

2. 波动率杠杆与反馈（RVL-DLM）：

   • 该框架允许将已实现波动率代理作为预测变量纳入价格方程。具体而言，回归向量 $F_t$ 可以包含同期已实现标准差（$x_t = \sqrt{z_t}$）和滞后值（$x_{t-1}$）。
   • 这种公式化捕捉了简化形式的杠杆和反馈效应。同期系数代表了高频波动率与价格变化之间的即时关联，而滞后系数则捕捉了短期效应。模型从数据中顺序学习这些系数，而不是强加结构性非对称项。

3. 推断与计算：

   • 模型保持完全的解析可处理性。序列滤波、预测、边缘似然评估和回顾性平滑均通过闭式更新执行。
   • 一步向前预测通过直接组合模拟实现：从缩放 F 预测分布中抽取 $z_t$，然后从条件 Student-t 分布中抽取 $y_t$。
   • 该方法避免了 MCMC 和粒子滤波，与标准 DLM 相比，其额外计算成本可忽略不计。

主要贡献

• 新颖模型类别： 引入了 RV-DLMs 和 RVL-DLMs，成功将已实现波动率的动态伽马过程叠加到标准贝叶斯 SV-DLMs 之上。
• 解析可处理性： 推导了双变量系统的完全共轭贝叶斯分析，得出了缩放 F 分布和 Student-t 分布预测分布，无需基于模拟的推断。
• 高频数据整合： 一种机制，可将日内数据（通过基于 OHLC 的已实现方差代理）直接纳入潜在波动率状态的序列滤波中，从而提高波动率跟踪的精度。
• 简化形式杠杆建模： 一种灵活的方法，通过在已实现波动率预测变量上使用时变系数来建模价格 - 波动率依赖性（杠杆和反馈），并在状态空间框架内动态学习这些系数。

实证结果
作者将模型应用于 9 只标普 500 精选行业 SPDR ETF 和标普指数本身的每日价格数据，涵盖 2000 年至 2025 年期间。他们比较了三种模型：

1. SV-DLM： 仅使用价格数据的传统单变量基准（将滞后 RV 作为固定预测变量）。
2. RV-DLM： 双变量模型，将滞后已实现波动率（$x_{t-1}$）作为预测变量，并使用 $z_t$ 进行直接波动率学习。
3. RVL-DLM： 最通用的模型，包含滞后（$x_{t-1}$）和同期（$x_t$）已实现波动率预测变量。

• 预测性能： 累积对数贝叶斯因子表明，RV-DLM 和 RVL-DLM 变体在所有 10 个序列中均一致优于传统 SV-DLM。包含同期波动率预测变量的 RVL-DLM 在 RV-DLM 的基础上提供了进一步的增量收益。
• 系数行为： 在 RVL-DLM 中，同期系数（$x_t$）的后验中位数通常为负，而滞后系数（$x_{t-1}$）通常为正。这与高频证据中观察到的同期回报 - 波动率非对称性为负、滞后效应为正的现象一致。
• 稳健性： 模型显示出改进的预测密度尖锐度和降低的不确定性，特别是在市场压力时期（例如 2020 年大流行爆发初期和 2010 年闪崩），此时已实现波动率信息为潜在状态提供了关键更新。

意义与主张
本文声称，RV-DLM 框架为金融预测提供了一种实用、可扩展的解决方案，弥合了共轭折扣学习滤波器的可解释性与速度同已实现波动率模型的实证尖锐度之间的差距。

• 效率： 该方法提供“计算简便”的分析，且“额外计算成本可忽略不计”，使其能够扩展到更高维度，用于多变量投资组合构建（解耦/再耦合方法）。
• 实际相关性： 模型提供了关于波动率杠杆和反馈效应性质的背景洞察，量化了它们对价格预测的影响，而无需复杂的结构性假设。
• 预测改进： 主要收益归因于更尖锐的预测分布和对已实现波动率信息更有效的利用，而非点预测的巨大偏移。
• 未来可扩展性： 作者指出，闭式结构自然地通过使用 Wishart 分布和多变量 F 分布扩展到多变量设置，将这些模型定位为更广泛的贝叶斯风险评估和交易系统的构建模块。

研究结论认为，将同期已实现波动率纳入完全共轭的序列模型，是在实时系统中改善短期价格预测和风险特征描述的稳健策略。