Does wavelet decomposition and neural networks help to improve predictability of realized volatility?

Abstract

V této práci zevrubně srovnávám standardní odhady realizované volatility včetně nového waveletového odhadu v časově frekvenční doméně (Barunik and Vacha 2012) na širokém vzorku aktiv: oleji, zlatu a indexu S&P 500. Waveletový odhad navíc dovoluje rozložit volatilitu do několika investičních horizontů, což má dle literatury přinést další informaci o časové řadě volatility. Dále navrhuji použití neuronových sítí pro předpovídání realizované volatility. V odhadech používám vrstevnatou a rekurzivní topologii. Samotnou realizovanou volatilitu předpovídám kumulativně na 1, 5, 10 a 20 dní dopředu. Předpovědi z neuronových sítí porovnávám oproti ARFIMA modelu a triviálnímu modelu. Potvrzuji pozitivní vlastnosti nového waveletového odhadu v případě oleje a zlata, ale v případě S&P 500 se tyto vlastnosti nepotvrzují. Možné vysvětlení je, že metoda nadměrně koriguje data, protože se v těchto datech téměř nevyskytují skoky. Co se týká předpovědí, neuronové sítě překonávají ARFIMA model v objemu informace o dynamické struktuře časové řady.

I perform comprehensive comparison of the standard realised volatility estimators including a novel wavelet time-frequency estimator (Barunik and Vacha 2012) on wide variety of assets: crude oil, gold and S&P 500. The wavelet estimator allows to decompose the realised volatility into several investment horizons which is hypothesised in the literature to bring more information about the volatility time series. Moreover, I propose artificial neural networks (ANN) as a tool for forecasting of the realised volatility. Multi-layer perceptron and recursive neural networks typologies are used in the estimation. I forecast cumulative realised volatility on 1 day, 5 days, 10 days and 20 days ahead horizons. The forecasts from neural networks are benchmarked to a standard autoregressive fractionally integrated moving averages (ARFIMA) model and a mundane model. I confirm favourable features of the novel wavelet realised volatility estimator on crude oil and gold, and reject them in case of S&P 500. Possible explanation is an absence of jumps in this asset and hence over-adjustment of data for jumps by the estimator. In forecasting, the ANN models outperform the ARFIMA in terms of information content about dynamic structure of the time series.