aalto1 untyped-item.component.html
Assessing volatility: Transparent, reproducible VIX forecasts from public data
Loading...
URL
Journal Title
Journal ISSN
Volume Title
School of Science |
Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
Department
Major/Subject
Mcode
Language
en
Pages
54
Series
Abstract
This thesis examines one-day-ahead forecasting of the CBOE Volatility Index (VIX) using public daily data from 2020–2024. The forecast target is the next-day VIX level. Predictors include daily/weekly/monthly VIX components (HAR-style), realized volatility computed from S&P 500 returns, the one-day change in VIX, and a high-volatility indicator.
We compare classical econometric models ARIMA, GARCH and the HAR with modern machine-learning methods (Random Forest, XGBoost, and a shallow neural network). Models are trained on 2020–2023 and evaluated out-of-sample in 2024 using a rolling-origin design that avoids look-ahead bias. Forecast accuracy is summarized by RMSE, MAE, MAPE, 2, and directional accuracy. We apply DM tests to assess pairwise differences in predictive accuracy. To evaluate economic value, forecasts are translated into stylized volatility-timing rules using both discrete sign and continuous sizing variants.
Across rolling windows, HAR and tree-based methods deliver the strongest level accuracy, while a returns-only GARCH proxy tends to underpredict VIX, consistent with a positive volatility risk premium. DM tests indicate statistically significant improvements over weaker baselines. The best statistical models also yield positive Sharpe ratios in the timing exercise. The contribution is a transparent, reproducible VIX-forecasting pipeline based solely on public data, together with an integrated statistical-and-economic evaluation that clarifies the distinction between risk-neutral and realized volatility measures.
Tässä työssä tutkitaan CBOE:n volatiliteetti-indeksin (VIX) yhden päivän eteenpäin tapahtuvaa ennustamista käyttäen vain julkista päivädataa vuosilta 2020–2024. Ennustekohteena on seuraavan pörssipäivän VIX-taso. Selittäjinä käytetään VIXin päivittäisiä, viikoittaisia ja kuukausittaisia komponentteja (HAR-tyyli), S&P 500 -indeksin tuotoista laskettua realisoitunutta volatiliteettia, VIXin yhden päivän muutosta sekä yksinkertaista korkean volatiliteetin indikaattoria.
Menetelmävertailussa ovat klassiset ekonometriset mallit ARIMA, GARCH ja HAR sekä modernit koneoppimismenetelmät (satunnaismetsä, XGBoost ja ohut neuroverkko). Mallit opetetaan vuosilla 2020–2023 ja testataan vuodelta 2024 käyttäen rullaavaa testi-ikkunaa, jolla pyritään estämään ennakointiharhaa. Ennustetarkkuutta mitataan RMSE-, MAE-, MAPE- ja 2-mittareilla sekä suunnan osumatarkkuudella. Mallien välisiä eroja testataan Diebold–Mariano -testeillä. Taloudellista arvoa arvioidaan muuntamalla ennusteet tyylitellyiksi volatiliteetin ajoitussäännöiksi, joissa hyödynnetään sekä diskreettiä suuntamerkkiä että jatkuvaa positiokokoa.
Tulosten mukaan HAR ja puupohjaiset menetelmät tuottavat parhaan tasonennusteen, kun taas tuottoihin perustuva GARCH-vertailu aliarvioi VIX-tasoa, mikä on yhdenmukaista positiivisen volatiliteettipreemion kanssa. Diebold–Mariano -testit osoittavat tilastollisesti merkitseviä parannuksia heikompiin malleihin verrattuna. Parhaat tilastolliset mallit tuottavat myös positiivisen Sharpe-suhteen ajoituskokeessa. Työn panos on läpinäkyvä ja toistettava VIX-ennustamisen putki pelkällä julkisella datalla sekä yhdistetty tilastollinen ja taloudellinen arviointi, joka selkeyttää riskineutraalin ja realisoituneen volatiliteetin eroa käytännössä.