The Impact of Outlier Adjustment on Volatility Forecasting Models

Abstract

This thesis investigates whether correcting outliers in log-realized volatility data enhances the performance of volatility forecasting models. We employ five- minute intraday returns for 32 equities and 5 major indices from January 2009 to December 2024. Four outlier adjustment methods are applied: a method based on realized GARCH(1,1) forecast errors, Winsorization, Isolation Forest, and a method built on forecast errors from an LSTM model. We compare the perfor- mance of models trained on original and adjusted data. Additionally, we also compare the impact of different adjustment methods. Forecasts are generated using HAR-RV, realized GARCH(1,1), FFNN and LSTM. The most significant improvement was observed in realized GARCH(1,1), while neural networks and HAR-RV exhibited only limited gains. Different outlier adjustment methods yielded mostly comparable results.

Tato práce zkoumá, zda úprava odlehlých hodnot v datech logaritmické realizo- vané volatility zlepšuje výkonnost modelů pro předpovídání volatility. Používáme pětiminutové intradenní výnosy pro 32 akcií a 5 hlavních indexů od ledna 2009 do prosince 2024. Používáme čtyři metody korekce odlehlých hodnot: metodu založenou na predikčních chybách realizovaného GARCH(1,1) mod- elu, winsorizaci, Isolation Forest a metodu založenou na chybách predikce z modelu LSTM. Porovnáváme výkonnost modelů trénovaných na původních a upravených datech. Dále porovnáváme také dopad různých metod úpravy. Predikce jsou generovány pomocí HAR-RV, realizovaného GARCH(1,1), FFNN a LSTM. Nejýznamnéjší zlepšení bylo pozorováno u realizovaného GARCH(1,1), zatímco neuronové sítě a HAR-RV vykázaly pouze omezené zlepšení. Různé metody úpravy odlehlých hodnot přinesly většinou srovnatelné výsledky.