Forecasting realized volatility: Do jumps in prices matter?

Abstract

Táto práca aplikuje heterogénny autoregresný model realizovanej volatility na pät'-minútové dáta troch spomedzi najlikvidnejších finančných aktív - S&P 500 Futures index, Euro FX a ropa. Hlavný prínos tejto práce spočíva v analyzovaní mimoriadneho množstva dát, ked'že pochádzajú z neobyčajne dlhého obdobia až 25 rokov, v prípade Euro FX je to 13 rokov. Jedným z ciel'ov je ukázat', že rozklad realizovanej variancie na spojitú a skokovú čast' má pozitívny vplyv na jej predpovedatel'nost' aj na vysokofrekvenčných dátach pokrývajúcich vel'mi dlhé obdobia. Hlavným ciel'om práce je skúmat' dynamiku parametrov HAR modelu v čase, a taktiež povahu volatility u rôznych druhov finančných aktív. Výsledky analýzy na dátach všetkých troch aktív potvrdzujú, že rozklad realizovanej variancie prispieva k vylepšeniu odhadov. Ukázalo sa však, že predpovedacia schopnost' modelu je najlepšia v prípade, že parametre boli odhadnuté na krátkych obdobiach (1-2 roky), čo je spôsobené pravdepodobne vysokou dynamikou parametrov v čase. Táto nestabilita parametrov bola odhalená aj s pomocou odhadov za jenotlivé roky, a to u všetkých súborov. Z toho vyplýva zaujímavé zistenie, a to že HAR model nie je vhodný na predpovedanie realizovanej volatility...

This thesis uses Heterogeneous Autoregressive models of Realized Volatility on five-minute data of three of the most liquid financial assets - S&P 500 Futures index, Euro FX and Light Crude NYMEX. The main contribution lies in the length of the datasets which span the time period of 25 years (13 years in case of Euro FX). Our aim is to show that decomposing realized variance into continuous and jump components improves the predicatability of RV also on extremely long high frequency datasets. The main goal is to investigate the dynamics of the HAR model parameters in time. Also, we examine if volatilities of various assets behave differently. The results reveal that decomposing RV into its components indeed im- proves the modeling and forecasting of volatility on all datasets. However, we found that forecasts are best when based on short, 1-2 years, pre-forecast periods due to high dynamics of HAR model's parameters in time. This dynamics is revealed also by a year-by-year estimation on all datasets. Con- sequently, we consider HAR models to be inapproppriate for modeling RV on such long datasets as they are not able to capture the dynamics of RV. This was indicated on all three datasets, thus, we conclude that volatility behaves similarly for different types of assets with similar liquidity. 1