SlideServe
Télécharger Obtenir Pro
Menu
Accueil Pro
Préférences
ApparenceLight Aide et commentaires
© SlideServe · v2026

Forecasting Implied Volatility

jason avatar
jason
10 diapositives · 343 Views · Jul 19, 2012

Forecasting Implied Volatility. Alpha Asset Management Roger Kramer Brian Storey Matt Whalley Kristen Zolla. Objective and Methodology. Objective Develop a model that forecasts the CBOE Volatility Index (VIX) Methodology Sampling frequency – weekly Extensive variable development

Forecasting Implied Volatility - slide 1
01 / 10Forecasting Implied Volatility
1 / 17

Télécharger la présentation

Forecasting Implied Volatility
Une image / un lien ci-dessous est fourni (tel quel) pour télécharger la présentation

Politique de téléchargement : le contenu du site vous est fourni TEL QUEL pour votre information et votre usage personnel ; il ne peut être vendu, concédé sous licence ni partagé sur d’autres sites sans l’accord de son auteur.Le contenu vous est fourni TEL QUEL, pour votre information et votre usage personnel uniquement. Téléchargez la présentation en cliquant sur ce lien. Lors du téléchargement, si vous ne parvenez pas à télécharger une présentation, l’éditeur a peut-être supprimé le fichier de son serveur.Pendant le téléchargement, si vous ne parvenez pas à obtenir une présentation, le fichier a peut-être été supprimé par l’éditeur.

F I N

Plus de contenu associé

Transcription de la présentation

  1. Forecasting Implied Volatility Alpha Asset Management Roger Kramer Brian Storey Matt Whalley Kristen Zolla

  2. Objective and Methodology • Objective • Develop a model that forecasts the CBOE Volatility Index (VIX) • Methodology • Sampling frequency – weekly • Extensive variable development • Sample size – 313 observations • Two 50-week holdout samples

  3. Regression Model • Predictive Variables • VIX Level, Lag 1 • Intuition: Mean reversion • Negative correlation • Change in 10-Yr U.S. Treasury Yield, Lag 2 • Intuition: “Flight to quality” precedes equity market volatility • Negative correlation • Change in S&P 100 (if positive), Lag 1 • Intuition: Volatility affected by momentum effect of equity market • Positive correlation

  4. Final Model: Out-of-Sample Performance • First out-of-sample • 213-week sample; 50-week holdout for validation • Correct direction forecast: 64% • Second out-of-sample • 263-week sample; 50-week holdout for validation • Correct direction forecast: 60%

  5. Regression Analysis Summary Statistics

  6. Final Model Results • Trading Strategy #1 • Continuous trading – long or short every week • Correct direction forecast: 57.5% • VIX % Change > 0: 72.1% • VIX % Change < 0: 43.4% • Mean return (weekly): 3.89% • Mean return (winning weeks): 11.26% • Mean return (losing weeks): -6.14% • Standard deviation (weekly): 11.82% • Cumulative return (10/95 – 1/03): 2,300,000%

  7. Final Model Results • Trading Strategy #2 • Trade if absolute forecasted change in VIX exceeds 5% • Trade in 73 of 313 weeks (23.3% of the time) • Correct direction forecast: 63.0% • Mean return if trading (weekly): 5.95% • Mean return overall (weekly): 1.39% • Standard deviation (weekly): 5.73% • Cumulative return (10/95 – 1/03): only 4,591%

  8. Final Model Results

  9. Issues and Recommendations • VIX is Not Tradable • Develop an options trading strategy using VIX forecasts; i.e. buy/sell OEX straddles • Examine the effects of transactions costs • Naive Entry/Exit Signals • Double moving average crossovers • Various thresholds for forecasted VIX changes

  10. Conclusions • Our simple model predicts VIX direction with reasonable precision • With further research, similar model could be used for profitable trading