Forecasting volatility using cross-section information

Detalhes bibliográficos
Ano de defesa: 2022
Autor(a) principal: Dornelas, Guilherme Nogueira
Orientador(a): Fernandes, Marcelo
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: eng
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Volatilidade(Finanças)
Análise de regressão
Mercado de ações - Previsão
Aprendizado de computador
Índices de mercado de ações
Palavras-chave em Inglês:
Intraday volatility
Forecasting models
Machine learning
Commonality
Intraday seasonality
Volatility estimation
Link de acesso: https://hdl.handle.net/10438/32278
Resumo: Esse artigo utiliza o modelo Elastic Net para prever a volatilidade intradiária do Índice Dow Jones 30 (DJI) cinco minutos a frente. Nós exploramos o cross-section ao tomarmos como candidatos a previsores as volatilidades passadas do próprio índice e de todos os seus 30 componentes. Primeiro, estimamos a volatilidade intradiária instantânea minuto a minuto, e agregamos em 5 minutos para diminuir erro de microestrutura. Em seguida, estimamos tanto o Elastic Net quanto o modelo benchmark tipo HAR em janelas móveis de 60 minutos. Encontramos que o modelo Elastic Net que inclui informações do cross-section nos fornece uma previsão estatisticamente mais acurada do que o modelo HAR usado como benchmark.
id FGV_b2e2620715035c3c21d3cdaa4808d9ef
oai_identifier_str oai:repositorio.fgv.br:10438/32278
network_acronym_str FGV
network_name_str Repositório Institucional do FGV (FGV Repositório Digital)
repository_id_str
spelling Dornelas, Guilherme NogueiraEscolas::EESPMedeiros, Marcelo CunhaVasconcelos, GabrielFernandes, Marcelo2022-07-27T12:16:34Z2022-07-27T12:16:34Z2022-06-27https://hdl.handle.net/10438/32278Esse artigo utiliza o modelo Elastic Net para prever a volatilidade intradiária do Índice Dow Jones 30 (DJI) cinco minutos a frente. Nós exploramos o cross-section ao tomarmos como candidatos a previsores as volatilidades passadas do próprio índice e de todos os seus 30 componentes. Primeiro, estimamos a volatilidade intradiária instantânea minuto a minuto, e agregamos em 5 minutos para diminuir erro de microestrutura. Em seguida, estimamos tanto o Elastic Net quanto o modelo benchmark tipo HAR em janelas móveis de 60 minutos. Encontramos que o modelo Elastic Net que inclui informações do cross-section nos fornece uma previsão estatisticamente mais acurada do que o modelo HAR usado como benchmark.This paper applies the Elastic Net model to make 5-minute ahead intraday volatility forecasting of the Dow Jones 30 Index (DJI). We exploit the cross-section information by taking the lagged volatility by 1, 3, 6, and 12 observations of the DJI components as candi- date predictors on our model. We first estimate intraday minute-to-minute spot volatility, aggregate by 5-minutes to diminish microstructure errors, and run both the Elastic Net and the HAR-type benchmark model in 60-rolling window estimation. We find that the Elastic Net including the cross-section information provides a statistically significant better out-of-sample fit, more accurate forecast than the HAR-type model.engIntraday volatilityForecasting modelsMachine learningCommonalityIntraday seasonalityVolatility estimationVolatilidade(Finanças)Análise de regressãoMercado de ações - PrevisãoAprendizado de computadorÍndices de mercado de açõesEconomiaVolatilidade (Finanças)Análise de regressãoMercado de ações - PrevisãoAprendizado do computadorÍndices de mercado de açõesForecasting volatility using cross-section informationinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional do FGV (FGV Repositório Digital)instname:Fundação Getulio Vargas (FGV)instacron:FGVORIGINALDissertação - Guilherme Dornelas.pdfDissertação - Guilherme Dornelas.pdfPDFapplication/pdf509138https://repositorio.fgv.br/bitstreams/cd7e6200-5d9b-48bc-a963-fa6f8dc8e2ac/downloadfa51f7da76daa12aafd69713ea1804f0MD51LICENSElicense.txtlicense.txttext/plain; charset=utf-84707https://repositorio.fgv.br/bitstreams/26663451-aff3-485a-bc39-da6bbd4c9bed/downloaddfb340242cced38a6cca06c627998fa1MD52TEXTDissertação - Guilherme Dornelas.pdf.txtDissertação - Guilherme Dornelas.pdf.txtExtracted texttext/plain33558https://repositorio.fgv.br/bitstreams/c19f8d03-2070-4557-99b7-02a574398d37/downloadea1468c8cdddabcf8a7f784f1088523aMD55THUMBNAILDissertação - Guilherme Dornelas.pdf.jpgDissertação - Guilherme Dornelas.pdf.jpgGenerated Thumbnailimage/jpeg2621https://repositorio.fgv.br/bitstreams/6d086dae-bc00-4254-a63d-0770281cad94/download578fe962110d4d50d6639c01d905c1aeMD5610438/322782023-11-25 02:02:27.261open.accessoai:repositorio.fgv.br:10438/32278https://repositorio.fgv.brRepositório InstitucionalPRIhttp://bibliotecadigital.fgv.br/dspace-oai/requestopendoar:39742023-11-25T02:02:27Repositório Institucional do FGV (FGV Repositório Digital) - Fundação Getulio Vargas (FGV)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
dc.title.por.fl_str_mv Forecasting volatility using cross-section information
title Forecasting volatility using cross-section information
spellingShingle Forecasting volatility using cross-section information
Dornelas, Guilherme Nogueira
Intraday volatility
Forecasting models
Machine learning
Commonality
Intraday seasonality
Volatility estimation
Volatilidade(Finanças)
Análise de regressão
Mercado de ações - Previsão
Aprendizado de computador
Índices de mercado de ações
Economia
Volatilidade (Finanças)
Análise de regressão
Mercado de ações - Previsão
Aprendizado do computador
Índices de mercado de ações
title_short Forecasting volatility using cross-section information
title_full Forecasting volatility using cross-section information
title_fullStr Forecasting volatility using cross-section information
title_full_unstemmed Forecasting volatility using cross-section information
title_sort Forecasting volatility using cross-section information
author Dornelas, Guilherme Nogueira
author_facet Dornelas, Guilherme Nogueira
author_role author
dc.contributor.unidadefgv.por.fl_str_mv Escolas::EESP
dc.contributor.member.none.fl_str_mv Medeiros, Marcelo Cunha
Vasconcelos, Gabriel
dc.contributor.author.fl_str_mv Dornelas, Guilherme Nogueira
dc.contributor.advisor1.fl_str_mv Fernandes, Marcelo
contributor_str_mv Fernandes, Marcelo
dc.subject.eng.fl_str_mv Intraday volatility
Forecasting models
Machine learning
Commonality
Intraday seasonality
Volatility estimation
topic Intraday volatility
Forecasting models
Machine learning
Commonality
Intraday seasonality
Volatility estimation
Volatilidade(Finanças)
Análise de regressão
Mercado de ações - Previsão
Aprendizado de computador
Índices de mercado de ações
Economia
Volatilidade (Finanças)
Análise de regressão
Mercado de ações - Previsão
Aprendizado do computador
Índices de mercado de ações
dc.subject.por.fl_str_mv Volatilidade(Finanças)
Análise de regressão
Mercado de ações - Previsão
Aprendizado de computador
Índices de mercado de ações
dc.subject.area.por.fl_str_mv Economia
dc.subject.bibliodata.por.fl_str_mv Volatilidade (Finanças)
Análise de regressão
Mercado de ações - Previsão
Aprendizado do computador
Índices de mercado de ações
description Esse artigo utiliza o modelo Elastic Net para prever a volatilidade intradiária do Índice Dow Jones 30 (DJI) cinco minutos a frente. Nós exploramos o cross-section ao tomarmos como candidatos a previsores as volatilidades passadas do próprio índice e de todos os seus 30 componentes. Primeiro, estimamos a volatilidade intradiária instantânea minuto a minuto, e agregamos em 5 minutos para diminuir erro de microestrutura. Em seguida, estimamos tanto o Elastic Net quanto o modelo benchmark tipo HAR em janelas móveis de 60 minutos. Encontramos que o modelo Elastic Net que inclui informações do cross-section nos fornece uma previsão estatisticamente mais acurada do que o modelo HAR usado como benchmark.
publishDate 2022
dc.date.accessioned.fl_str_mv 2022-07-27T12:16:34Z
dc.date.available.fl_str_mv 2022-07-27T12:16:34Z
dc.date.issued.fl_str_mv 2022-06-27
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/10438/32278
url https://hdl.handle.net/10438/32278
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.source.none.fl_str_mv reponame:Repositório Institucional do FGV (FGV Repositório Digital)
instname:Fundação Getulio Vargas (FGV)
instacron:FGV
instname_str Fundação Getulio Vargas (FGV)
instacron_str FGV
institution FGV
reponame_str Repositório Institucional do FGV (FGV Repositório Digital)
collection Repositório Institucional do FGV (FGV Repositório Digital)
bitstream.url.fl_str_mv https://repositorio.fgv.br/bitstreams/cd7e6200-5d9b-48bc-a963-fa6f8dc8e2ac/download
https://repositorio.fgv.br/bitstreams/26663451-aff3-485a-bc39-da6bbd4c9bed/download
https://repositorio.fgv.br/bitstreams/c19f8d03-2070-4557-99b7-02a574398d37/download
https://repositorio.fgv.br/bitstreams/6d086dae-bc00-4254-a63d-0770281cad94/download
bitstream.checksum.fl_str_mv fa51f7da76daa12aafd69713ea1804f0
dfb340242cced38a6cca06c627998fa1
ea1468c8cdddabcf8a7f784f1088523a
578fe962110d4d50d6639c01d905c1ae
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositório Institucional do FGV (FGV Repositório Digital) - Fundação Getulio Vargas (FGV)
repository.mail.fl_str_mv
_version_ 1827842588877520896

Registros relacionados