Работы автора

В данной работе рассматривается задача многопериодного прогнозирования реализованной волатильности (realized volatility, ) и системного бэк-тестирования торговых стратегий для опционов на торгуемые биржевые фонды (Exchange-Traded Fund, ETF). Цель исследования - построение моделей глубокого обучения для многопериодного прогнозирования волатильности активов, таких как SPY и QQQ, и проверка эффективности прогнозов в рамках бэк-тестирования опционных стратегий. Для прогнозирования было использовано несколько архитектур нейронных сетей: LSTM, GRU, BiLSTM, BiGRU, FNN и NBEATSx, а также базовая эконометрическая модель HAR-RV для сравнения. В исследовании вводится новая функция потерь, квантильный лог-гиперболический косинус, для повышения точности прогнозов на высоких значениях волатильности. Точность моделей оценивалась на основе метрик MSE, MAE, MAPE и скорр., что показало превосходство рекуррентных архитектур. С целью апробации в условиях различных рыночных сценариев полученные прогнозы реализованной волатильности были использованы в бек-тестировании двух опционных стратегий: стрэддл и v-скальпинг.

Рассматривается подход к прогнозированию реализованной волатильности ин-декса S&P 500 с помощью данных, извлекаемых из опционов благодаря теореме восстановления Росса. Цель настоящего исследования заключается в исследовании возможности использовать показатели, получаемые после применения теоремы восстановления Росса, в качестве экзогенных факторов в модели прогнозирования реализованной волатильности финансовых инструментов. Применяемая для достижения цели исследования методика исключает необходимость использования исторических котировок финансовых активов, фокусируясь исключительно на опционах. В работе проведено сравнение точности про-гнозирования реализованной волатильности между предлагаемыми моделями и базовым подходом HAR-RV. Эмпирические результаты показали, что предлагаемый подход обеспечивает более высокую точность предсказаний. Используемый подход в теореме восстановления Росса на основе аппроксимации функции плотности распределения базового актива опциона позволяет более точно учитывать ожидания участников рынка и их предпочтения к риску, что может стать статистически значимыми факторами в моделях прогнозирования различных финансовых индикаторов. Результаты исследования могут быть использованы для оценки систематического риска, прогнозирования ве-роятности коррекций и кризисов на финансовых рынках.