Volatility trading and forecasting: a neural networks approach

This thesis focuses on the crucial task of volatility forecasting, a key component in financial markets that influences risk management, asset pricing, and trading strategies. Volatility, being a measure of market uncertainty, plays a significant role in determining market behavior, making accurate forecasts essential. We start by extending traditional linear models, such as the HAR-RV model, by incorporating new features like implied volatility and risk-neutral skewness. These additional variables enhance the model’s ability to capture market dynamics. Furthermore, we introduce neural networks to better model the nonlinear patterns of volatility, achieving significant improvements in forecasting accuracy. In addition to standard evaluation metrics, we propose new performance measures tailored to volatility prediction. To validate these improvements, we develop a new quantitative trading strategy based on variance swaps. This strategy, built from scratch, serves not only as a tool for trading but also as an additional method to assess the accuracy of the forecasts. The results confirm that better volatility forecasts lead to improved trading performance. Overall, this work presents a comprehensive approach to enhancing volatility forecasting models and demonstrates the practical benefits of these forecasts in quantitative trading.

Questa tesi si concentra sul compito cruciale della previsione della volatilità, un elemento chiave nei mercati finanziari che influenza la gestione del rischio, la valutazione degli asset e le strategie di trading. La volatilità, essendo una misura dell’incertezza del mercato, svolge un ruolo significativo nel determinare il comportamento del mercato, rendendo essenziali previsioni accurate. Iniziamo estendendo i modelli lineari tradizionali, come il modello HAR-RV, incorporando nuove variabili come la volatilità implicita e la skewness risk-neutral. Queste variabili aggiuntive migliorano la capacità del modello di catturare le dinamiche del mercato. Inoltre, introduciamo le reti neurali per modellare meglio i pattern non lineari della volatilità, ottenendo miglioramenti significativi nella precisione delle previsioni. Oltre alle metriche di valutazione standard, proponiamo nuove misure di performance adattate alla previsione della volatilità. Per validare questi miglioramenti, sviluppiamo una nuova strategia di trading quantitativo basata sui variance swaps. Questa strategia, creata da zero, non solo funge da strumento di trading, ma rappresenta anche un metodo aggiuntivo per valutare l’accuratezza delle previsioni. I risultati confermano che previsioni migliori della volatilità portano a migliori performance nel trading. Nel complesso, questo lavoro presenta un approccio completo per migliorare i modelli di previsione della volatilità e dimostra i benefici pratici di tali previsioni nel trading quantitativo.