Option-implied insights and random forest in crafting enhanced betting-against-beta strategies

Research in financial markets has always aimed at predicting the future. Nonetheless, the vast majority of approaches attempting to foresee the future look to the past. This thesis introduces a pioneering approach, pivoting from the reliance on historical, backward-looking data towards a forward-thinking perspective that harnesses predictive data for model development. This shift not only breaks new ground but also redefines the blueprint for financial forecasting. Our exploration is centered around the innovative use of the Betting-against-beta (BAB) strategy, showcasing the power of unconventional data sources and sophisticated machine learning techniques to construct portfolios that excel in return generation and risk management. One of the hallmarks of our research is the development of a novel method for calculating implied beta from options market data, utilizing the capabilities of Random Forest algorithm and a detailed examination of option surfaces. This technique, inspired by the principles of the Volatility Index (VIX) and implied volatility (IV), allows for a more precise estimation of future market correlations and volatilities. Focusing on the high-liquidity environment of the S&P 500 index, we conduct a thorough analysis of portfolio performances, employing both in-sample and out-of-sample tests. Our research spans from 2009 to 2024, during which we demonstrate that portfolios crafted using our innovative methodology significantly outperform those based on traditional strategies in terms of both returns and risk control. By steering away from historical data dependency, our thesis not only charts a new course in portfolio construction but also emphasizes the transformative impact of machine learning and options market data on advancing investment strategies towards greater sophistication and success.

La ricerca nei mercati finanziari ha sempre avuto come scopo ultimo la previsione del futuro. Ciononostante, la quasi totalità degli approcci che cercano di prevedere il futuro “guardano” al passato. Questa tesi introduce un approccio pionieristico, spostandosi dalla dipendenza dai dati storici, retrospettivi, verso una prospettiva “verso il futuro” che sfrutta i dati predittivi per lo sviluppo della strategia proposta. Questo cambiamento non solo apre nuove strade ma ridefinisce anche le basi per la previsione finanziaria. La nostra esplorazione si concentra sull’uso innovativo della strategia Betting-against-beta (BAB), evidenziando il potere di fonti di dati non convenzionali e di tecniche avanzate di machine learning per costruire portafogli che eccellono nella generazione di rendimenti e nella gestione dei rischi. Uno dei pilastri della nostra ricerca è lo sviluppo di un metodo innovativo per calcolare il beta implicito a partire dai dati del mercato delle opzioni, sfruttando le potenzialità dell’algoritmo Random Forest e un’analisi dettagliata delle superfici ricavate dall’utilizzo di dati su opzioni. Questa tecnica, ispirata ai principi dell’Indice di Volatilità (VIX) e della volatilità implicita (IV), permette una stima più precisa delle future correlazioni e volatilità di mercato. Concentrandoci sulle componenti ad alta liquidità dell’indice S&P 500, abbiamo condotto un’analisi approfondita delle performance dei portafogli, impiegando sia test in-sample che out-of-sample. La nostra ricerca, che va dal 2009 al 2024, dimostra che i portafogli realizzati con la nostra metodologia innovativa superano significativamente quelli basati su strategie tradizionali, sia in termini di rendimenti che di controllo del rischio. Allontanandoci dalla dipendenza dai dati storici, la nostra tesi non solo traccia una nuova rotta nella costruzione di portafogli, ma sottolinea anche l’impatto trasformativo dell’apprendimento automatico e dei dati del mercato delle opzioni nel promuovere strategie di investimento verso una maggiore sofisticatezza ed un maggiore successo.