Volatility forecasting : advantages of a bilateral approach

A significant task in finance is the ability in volatility forecasting: there is now an enormous body of research on this topic and different predictive models have been developed. In this dissertation, assuming from the beginning an industry-oriented approach, we focused on how the exploitation of an high frequency data set, as well as the current state of the market, could strongly influence the forecasting accuracy. Indeed, models fed up by intraday returns clearly overperform with respect to the ones taking as input only daily returns, regardless the choices made within each of the two categories. On the other hand, we showed also the state dependency of the volatility predictability: examining how it varies across different bull and bear states of the market, we pointed out a greater difficulty in prediction during bad economic times, which were proxied by bear states. Finally, a random forest was implemented with the aim of obtaining a unique prediction, taking into consideration the forecasts provided by the more performing models and averaging them in a non trivial way, via this Machine Learning technique.

Un task significativo nel panorama finanziario sta diventando sempre di più l'abilità nel predire la volatilità: c'è un enorme interesse nel mondo della ricerca su questo argomento e numerosi modelli predittivi sono stati sviluppati negli ultimi anni. In questa tesi, sin dall'inizio con un approccio volto al mondo dell'industria, ci siamo focalizzati su come lo sfruttare un high frequency data set, così come la conoscenza del corrente stato del mercato, possano influenzare fortemente l'accuratezza delle previsioni. Infatti, modelli alimentati da rendimenti intragiornalieri vanno in maniera netta a sovraperformare rispetto a quelli che accettano come input i soli rendimenti giornalieri, indipendentemente dalle scelte effettuate all'interno delle due categorie. D'altra parte, abbiamo mostrato la dipendenza della predicibilità della volatilità rispetto allo stato del mercato in essere: esaminando quanto essa cambi al variare dei differenti bull e bear states, abbiamo sottolineato una maggior difficoltà nella predizione in corrispondenza di fasi negative del mercato, che sono state approssimate da bear states. Infine, una random forest è stata implementata allo scopo di ottenere un'unica predizione, tenendo in considerazione le previsioni fornite dai modelli maggiormente performanti, e realizzando una media di esse mediante una tecnica più sofisticata, proveniente dal mondo del Machine Learning.