FEDS-Studie: KI optimiert Volatilitätsprognosen
Eine neue Studie der Federal Reserve zeigt, wie maschinelles Lernen die Prognose impliziter Volatilitäten von S&P 500 Optionen signifikant verbessert. Durch die Aufteilung der Optionsfläche in homogene Regionen werden heterogene Dynamiken präziser erfasst.
Heterogenität präzise erfassen
Trotz bekannter Heterogenität in der Dynamik von Optionsvolatilitäten verwenden Standardmodelle oft homogene Parameter.
Die Ökonomen Hyung Joo Kim und Dong Hwan Oh von der Federal Reserve stellen ein neues Machine-Learning-Framework vor, das Regressionsbäume nutzt, um die Optionsfläche nach Moneyness und Laufzeit zu unterteilen.
Dies identifiziert datengestützte Regionen, in denen unterschiedliche Prognosemodelle optimal funktionieren.
Die Studie erweitert das Surface Heterogeneous Autoregressive (SHAR) Framework und entwickelt baumbasierte SHAR-Spezifikationen, die eine interpretierbare Struktur beibehalten, während Modellparameter über die Oberfläche variieren können.
Empirische Analysen mit S&P 500 Optionen zeigen, dass die verbesserte baumbasierte Spezifikation die niedrigsten Out-of-Sample-Prognosefehler über alle Horizonte hinweg erzielt.
Sie reduziert den RMSE für Ein-Monats-Prognosen um 13 Prozent gegenüber dem Benchmark-SHAR-Modell.
Diese Verbesserungen sind statistisch signifikant und besonders ausgeprägt in Stressperioden.
Ökonomisch interpretierbare Segmentierung
Die geschätzte Baumstruktur offenbart ökonomisch interpretierbare Segmentierungen.
Kurzlaufende Optionen weisen eine höhere tägliche, aber geringere monatliche Persistenz auf als langlaufende Optionen.
Tief aus dem Geld liegende Calls oder Puts zeigen zudem eine andere Dynamik als am Geld liegende Kontrakte.
Die Forscher betonen, dass die Marksegmentierung und die unterschiedlichen Anlegergruppen über die Optionsfläche hinweg gut dokumentiert sind.
Dies liefert eine überzeugende Motivation für ihren Ansatz, da lokalisierte Dynamiken die Performance der impliziten Volatilitätsprognose erheblich verbessern.
Der Ansatz ist flexibel und modular, kann mit alternativen Oberflächen-Fittern, Prognosemodellen oder anderen Aufteilungsvariablen kombiniert und mit geringem Rechenaufwand in Echtzeit implementiert werden.
Ein Baum für mehr Präzision
Die Integration von maschinellem Lernen in die Volatilitätsprognose ist ein logischer Schritt und liefert beeindruckende Genauigkeitsgewinne.
Dennoch bleibt die Herausforderung, diese komplexen Baumstrukturen in Echtzeit-Handelsstrategien zu integrieren, ohne die Interpretierbarkeit zu opfern.
Für die Praxis bedeutet dies einen Kompromiss zwischen der erhöhten Prognosegüte und dem Mehraufwand für Modellpflege und -validierung.