Combining forecasts in various financial applications

Abstract

The availability of numerous modeling approaches for volatility forecasting leads to model uncertainty for both researchers and practitioners. Accurate forecasts of volatility are required across most applications in finance such as risk management, portfolio allocation and option pricing. A large number of studies provide evidence in favor of combination methods for forecasting a variety of financial variables, but most of them are implemented on returns’ forecasting. Surprisingly, combinations of volatility forecasts have not received significant attention in the finance literature. This thesis is focused on evaluating the predictive ability of simple and complex combination techniques as well as on developing and investigating innovative methods for combining volatility forecasts with applications in the stock and oil markets.Firstly, combinations of various volatility forecasts based on different combination schemes of S&P500 index are provided. We add to the literature by combining volatility forecasts from models based on daily, intraday and implied volatility data. Moreover, an exhaustive variety of combination methods to forecast volatility ranging from simple techniques to time-varying techniques based on the past performance of the single models and regression techniques is used. The evaluation procedure is based on both statistical and economic loss functions indicating the superior performance of combination techniques. Although combination forecasts based on more complex regression methods perform better than simple combinations and single models, there is no dominant combination technique that outperforms the rest in both statistical and economic terms, implying that different combination schemes are preferable based on the economic application to be used.Secondly, we propose new combination techniques based on portfolio and risk management loss functions to forecast crude oil price volatility. The forecasting performance of three types of volatility forecast combination is evaluated: forecast combinations involving high-frequency models, forecast combinations involving daily models and forecast combinations involving both high-frequency and daily models. By considering combination techniques based on portfolio and risk management loss functions, new evidence may be drawn regarding the combination forecasts techniques. Firstly, the results show that most combination forecasts produce more accurate volatility forecasts in both statistical and economic terms than single volatility models. Secondly, daily data generate higher economic gains when they are combined through portfolio loss functions especially in 1-step and 22-step ahead forecast horizons, while two single models indicate superior forecasting performance for the 5- step ahead forecasts. Thirdly, statistical combination forecasts from high-frequency models are more accurate according to statistical and economic loss functions when they are compared with the economic combinations suggesting that the information contained in these data can adequately predict economic gains even through statistical combinations. Finally, the two information channels lead to higher economic gains when they are combined through portfolio loss functions for the 22-step ahead forecasting horizon.

Η διαθεσιμότητα ενός μεγάλου αριθμού υποδειγμάτων για την πρόβλεψη της μεταβλητότητας οδηγεί σε αυξημένη αβεβαιότητα για την αξιοπιστία του μοντέλου τους ερευνητές και τους επαγγελματίες. Οι ακριβείς προβλέψεις για την μεταβλητότητα απαιτούνται στις περισσότερες χρηματοοικονομικές εφαρμογές, όπως η διαχείριση κινδύνων, η διαχείριση χαρτοφυλακίου και η τιμολόγηση των δικαιωμάτων προαίρεσης. Ένας μεγάλος αριθμός μελετών υποστηρίζει την χρήση συνδυαστικών μεθοδολογιών για την πρόβλεψη ενός μεγάλου αριθμού οικονομικών μεταβλητών, όμως οι περισσότερες από αυτές εφαρμόζονται στην πρόβλεψη των αποδόσεων. Παραδόξως, οι συνδυαστικές μεθοδολογίες για τη μεταβλητότητα δεν έχουν λάβει την δέουσα προσοχή στη βιβλιογραφία. Η έρευνα αυτή επικεντρώνεται στην αξιολόγηση της προβλεπτικής ικανότητας απλών και πιο σύνθετων συνδυαστικών μεθοδολογιών, όπως και στην ανάπτυξη και διερεύνηση καινοτόμων μεθοδολογιών πρόβλεψης της μεταβλητότητας με εφαρμογές στις χρηματιστηριακές αγορές και τις αγορές πετρελαίου.Πρώτον, παρέχονται διάφορες συνδυαστικές προβλέψεις για τη μεταβλητότητα του δείκτη S&P500. Ενισχύουμε την βιβλιογραφία συνδυάζοντας προβλέψεις για την μεταβλητότητα από υποδείγματα που βασίζονται σε ημερήσια, ενδοημερήσια και τεκμαρτής μεταβλητότητας δεδομένα. Συγκεκριμένα, χρησιμοποιείται μια μεγάλη ποικιλία συνδυαστικών μεθοδολογιών για την πρόβλεψη της μεταβλητότητας, στην οποία περιλαμβάνονται απλές τεχνικές, τεχνικές που βασίζονται στις προηγούμενες επιδόσεις των μεμονωμένων μοντέλων και τεχνικές παλινδρόμησης. Η διαδικασία αξιολόγησης βασίζεται τόσο σε στατιστικά όσο και σε οικονομικά μέτρα αποδεικνύοντας την υπεροχή των συνδυαστικών μεθοδολογιών. Αν και οι συνδυαστικές προβλέψεις που βασίζονται σε πιο πολύπλοκες μεθόδους έχουν καλύτερες επιδόσεις από τις απλές συνδυαστικές μεθοδολογίες και τα μεμονωμένα μοντέλα, δεν υπάρχει κάποια μεθοδολογία που να κυριαρχεί τις υπόλοιπες τόσο από στατιστική όσο και από οικονομική άποψη. Αυτό μας οδηγεί στο συμπέρασμα ότι οι διαφορετικές συνδυαστικές μεθοδολογίες επιλέγονται με βάση την οικονομική εφαρμογή.Δεύτερον, προτείνουμε νέες συνδυαστικές μεθοδολογίες που βασίζονται σε μέτρα αξιολόγησης χαρτοφυλακίων και διαχείρισης κινδύνου στην πρόβλεψη της μεταβλητότητας των τιμών των συμβολαίων μελλοντικής εκπλήρωσης αργού πετρελαίου. Αξιολογείται η προβλεπτική ικανότητα τριών τύπων συνδυαστικών μεθοδολογιών μεταβλητότητας: συνδυαστικές προβλέψεις που βασίζονται σε δεδομένα υψηλής συχνότητας, συνδυαστικές προβλέψεις που βασίζονται σε ημερήσια δεδομένα και συνδυαστικές προβλέψεις που περιλαμβάνουν και τα δύο είδη δεδομένων. Με την εξέταση των συνδυαστικών μεθοδολογιών που βασίζονται σε μέτρα αξιολόγησης χαρτοφυλακίου και διαχείρισης κινδύνου, μπορούν να αντληθούν νέα στοιχεία σχετικά με τις συνδυαστικές προβλέψεις. Πρώτον, τα αποτελέσματα δείχνουν ότι οι συνδυαστικές μεθοδολογίες οδηγούν σε πιο ακριβείς προβλέψεις, σε στατιστικούς και οικονομικούς όρους, για τη μεταβλητότητα από τα μεμονωμένα μοντέλα. Δεύτερον, τα μοντέλα που βασίζονται σε ημερήσια δεδομένα οδηγούν σε μεγαλύτερα οικονομικά οφέλη όταν συνδυάζονται μέσω μέτρων αξιολόγησης χαρτοφυλακίου ιδίως στους χρονικούς ορίζοντες της μίας και των είκοσι δύο ημερών, ενώ δύο μεμονωμένα μοντέλα επιδεικνύουν καλύτερη παρουσία για τον χρονικό ορίζοντα των πέντε ημερών. Τρίτον, οι συνδυαστικές προβλέψεις που βασίζονται σε στατιστικά κριτήρια και προέρχονται από μοντέλα υψηλής συχνότητας είναι πιο ακριβείς σύμφωνα με στατιστικά και οικονομικά μέτρα υποδεικνύοντας ότι η πληροφορία που εμπεριέχεται σε αυτά τα δεδομένα μπορεί να οδηγήσει σε σωστή πρόβλεψη για τα οικονομικά οφέλη ακόμη και μέσω συνδυαστικών προβλέψεων που προέρχονται από στατιστικά μέτρα. Τέλος, ο συνδυασμών των δύο πηγών δεδομένων οδηγεί σε υψηλότερα οικονομικά κέρδη, όταν τα δεδομένα αυτά συνδυάζονται μέσω μέτρων αξιολόγησης χαρτοφυλακίου, για τον χρονικό ορίζοντα των 22 ημερών.