A Study of Machine Learning's Applicability in Realized Volatility Modelling

Abstract

Modellering af realiseret volatilitet (RV) har været et fremtrædende emne i den finansielle litteratur i ˚artier. For nylig har den finansielle industri begyndt at skifte mere over mod machine learning algortimer fremfor traditionelle tidsrække modeller. Dette studie udforsker modellering af en-dag-frem RV i tre store aktiemarkeder: USA, Storbritanien og Japan. Traditionelle modeller, herunder Heterogenous Autoregressiv (HAR) model, HAR med eksogene variabler (HAR-X), Random Forest og regulariseringsmodeller, samt innovative machine learning tilgange s˚asom multitask learning og online learning er testet for hvert marked. For det japanske og britiske marked blev det fundet, at alle modelleringsmetoder signifikant udkonkurrerede HAR modellen, mens HAR-modellen for det amerikanske marked udkonkurrerede de fleste machine learning modeller. Derudover viste det sig, at multitask learning præsterede p˚a niveau med de eksisterende modelleringsmetoder, hvilket tyder p˚a, at der ikke er særlige fordele ved at træne modellerne simultant. Opmuntrende er det, at online learning modellen viste sig at være den bedst præsterende model p˚a tværs af alle markeder. Især fremhæves resultaterne af modellens tilpasningsevne til skiftende dynamikker, et aspekt, der er vigtigt p˚a grund af finansmarkedernes dynamiske natur.