Previsão de volatilidade realizada via modelos HAR e métodos de machine learning

Abstract

Este estudo propõe realizar previsões para volatilidade realizada diária e comparar as previsões obtidas por diferentes métodos de machine learning e por um modelo benchmark. Os métodos utilizados são os seguintes: regressão Ridge, Least absolute shrinkage and selection operator (LASSO), adaptive LASSO (AdaLASSO), Elastic Net e Random forest. Já o modelo benchmark utilizado é o Heterogeneous Autoregressive Model (HAR), com estimação via Mínimos Quadrados. O objetivo principal do estudo é entender quais propostas implicam em melhores resultados dependendo do período analisado. Os períodos considerados foram pré-pandemia de COVID-19, ínicio da pandemia, durante a sua ocorrência e também foi analisado o período total (sem distinção do cenário pandêmico). Para entender quais propostas se destacaram nos respectivos períodos, foi usado o Model confidence set (MCS). Com as análises do MCS, pôde-se concluir que o método Random forest foi o que mais se destacou.

This study proposes to perform forecasts for daily realized volatility and compare the forecasts obtained by different machine learning methods and by a benchmark model. The methods used are as follows: Ridge regression, Least absolute shrinkage and selection operator (LASSO), adaptive LASSO (AdaLASSO), Elastic Net and Random forest. The benchmark model used is the Heterogeneous Autoregressive Model (HAR), with Least Squares estimation. The main objective of the study is to understand which approaches result in better results depending on the analyzed period. For that, the periods considered were pre-pandemic of COVID-19, beginning of the pandemic, during its occurrence and the total period was also analyzed (without distinction of the pandemic scenario). To understand which approaches stood out in the respective periods, the Model confidence set (MCS) was used. With the MCS analyses, it could be concluded that the Random forest method was the one that stood out the most.