Forecasting the realized volatility based on information extracted from the ross recovery theorem

Cover Page

Cite item

Full Text

Abstract

This article discusses an approach to predicting the realized volatility of the S&P 500 index using data extracted from options due to the Ross recovery theorem. The purpose of this study is to investigate the possibility of using the indicators obtained after applying the Ross recovery theorem as exogenous factors in the forecasting model of realized volatility of financial instruments. The methodology used to achieve the research objective eliminates the need to use historical quotations of financial assets, focusing solely on options. The paper compares the accuracy of forecasting realized volatility between the proposed models and the basic HAR-RV approach. Empirical results have shown that the proposed approach provides a higher accuracy of predictions. The approach used in the Ross recovery theorem based on the approximation of the distribution density function of the underlying option asset allows for more accurate consideration of market participants' expectations and their risk preferences, which can become statistically significant factors in forecasting models of various financial indicators. The results of the study can be used to assess systematic risk, predict the likelihood of corrections and crises in financial markets.

About the authors

Dmitry Aleksandrovich Patlasov

Perm State University

Email: dmitriypatlasov@gmail.com
Perm

References

  1. БРОНЕВИЧ А.Г., ЛЕПСКИЙ А.Е. Обозрение прикладной и промышленной математики. – М.: Изд-во ТВП, 2000. – Т. 7, №2. – С. 322–323.
  2. ПРОХОРОВ Ю.В. Сходимость случайных процессов и предельные теоремы теории вероятностей // Теория вероятностей и ее применения. – 1956. – Т. 1, №2. – С. 177–238.
  3. ПРОХОРОВ Ю.В., КОЛНОГОРОВ А.В., ХОХЛОВ В.И. Четырнадцатый всероссийский симпозиум по приклад-ной и промышленной математике (осенняя сессия) 29 сентября-5 октября 2013 г. Великий Новгород Научные доклады // Обозрение прикладной и промышленной ма-тематики. – 2013. – Т. 20, №4. – С. 525–574.
  4. AMIR A. et al. Can we recover the cover? // Algorithmica. – 2019. – Vol. 81, No. 7. – P. 2857–2875.
  5. ANAMIZU K. Ross Recovery under the Tree Model and Its Application to Risk Management : Dis. – Tokyo Metropolitan University, 2018.
  6. AUDRINO F., HUITEMA R., LUDWIG M. An empirical implementation of the Ross recovery theory as a prediction device // Journal of Financial Econometrics. – 2021. – Vol. 19, No. 2. – P. 291–312.
  7. BAKER N.L., HAUGEN R.A. Low risk stocks outperform within all observable markets of the world // Available at SSRN 2055431. – 2012.
  8. BAKSHI G., CHABI-YO F., GAO X. A recovery that we can trust? Deducing and testing the restrictions of the recovery theory // The Review of Financial Studies. – 2018. – Vol. 31, No. 2. – P. 532–555.
  9. BLACK F., SCHOLES M. The pricing of options and corpo-rate liabilities // Journal of Political Economy. – 1973. – Vol. 81, No. 3. – P. 637–654.
  10. BLISS R.R., PANIGIRTZOGLOU N. Option‐implied risk aversion estimates // The Journal of Finance. – 2004. – Vol. 59, No. 1. – P. 407–446.
  11. BOROVIČKA J., HANSEN L.P., SCHEINKMAN J.A. Mis-pecified recovery // The Journal of Finance. – 2016. – Vol. 71, No. 6. – P. 2493–2544.
  12. BREEDEN D.T., LITZENBERGER R.H. Prices of state-content claims implicit in option prices // Journal of busi-ness. – 1978. – P. 621–651.
  13. CARR P., YU J. Risk, return, and Ross recovery // The Jour-nal of Derivatives. – 2012. – Vol. 20, No. 1. – P. 38–59.
  14. CHEN A., DYBVIG P.H. Optimal casualty insurance and repair in the presence of a securities market // Available at SSRN 1344239. – 2013.
  15. COX J.C., ROSS S.A. The valuation of options for alterna-tive stochastic processes // Journal of Financial Economics. – 1976. – Vol. 3, No. 1–2. – P. 145–166.
  16. DUFFIE D. Dark markets: Asset pricing and information transmission in over-the-counter markets // Princeton Uni-versity Press, 2012. – Vol. 6.
  17. DUFFIE D. Stochastic Equilibria: Existence, Spanning Number, and theNo Expected Financial Gain from Trade'Hypothesis // Econometrica: Journal of the Economet-ric Society. – 1986. – P. 1161–1183.
  18. FAMA E.F. Random walks in stock market prices // Financial Analysts Journal. – 1995. – Vol. 51, No. 1. – P. 75–80.
  19. FIGLEWSKI S. Risk-neutral densities: A review // Annual Review of Financial Economics. – 2018. – Vol. 10. – P. 329–359.
  20. GAGNON M.H., POWER G.J., TOUPIN D. Forecasting market index volatility using Ross-recovered distributions // Quantitative Finance. – 2022. – Vol. 22, No. 2. – P. 255–271.
  21. HÄRDLE W., HLÁVKA Z. Dynamics of state price densi-ties // Journal of Econometrics. – 2009. – Vol. 150, No. 1. – P. 1–15.
  22. HAUGEN R.A., BAKER N.L. Commonality in the determi-nants of expected stock returns // Journal of financial eco-nomics. – 1996. – Vol. 41, No. 3. – P. 401–439.
  23. JACKWERTH J.C., MENNER M. Does the Ross recovery theory work empirically? // Journal of Financial Economics. – 2020. – Vol. 137, No. 3. – P. 723–739.
  24. KOSTAKIS A., PANIGIRTZOGLOU N., SKIADOPOU-LOS G. Market timing with option-implied distributions: A forward-looking approach // Management Science. – 2011. – Vol. 57, No. 7. – P. 1231–1249.
  25. LO A.W. Financial econometrics // International Library of Financial Econometrics, Forthcoming. – 2007.
  26. MEYER C.D. Matrix analysis and applied linear algebra // Society for Industrial and Applied Mathematics, 2023.
  27. NEWEY W.K., WEST K.D. A simple, positive semi-definite, heteroskedasticity and autocorrelation consistent covariance matrix // Applied econometrics. – 2014. – Vol. 33, No.1. – P. 125–132.
  28. QIN L., LINETSKY V., NIE Y. Long forward probabilities, recovery, and the term structure of bond risk premiums // The Review of Financial Studies. – 2018. – Vol. 31, No. 12. – P. 4863–4883.
  29. ROSS S.A. Options and efficiency // The Quarterly Journal of Economics. – 1976. – Vol. 90, No. 1. – P. 75–89.
  30. ROSS S. The recovery theory // The Journal of Finance. – 2015. – Vol. 70, No. 2. – P. 615–648.
  31. SØRENSEN H. Simulated likelihood approximations for sto-chastic volatility models // Scandinavian Journal of Statistics. – 2003. – Vol. 30, No. 2. – P. 257–276.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download


Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».