以支援向量迴歸機器學習方法預測實際波動度

Forecasting Realized Volatility with Support Vector Regression

許維城(Wei-Cheng Hsu)

指導教授 ： 呂育道

國立臺灣大學/電機資訊學院/資訊網路與多媒體研究所/碩士(2011年)

https://doi.org/10.6342/NTU.2011.02238

摘要

選擇權是一種衍生性金融商品，在市場上的選擇權可由Black-Scholes方程式推導出隱含波動度，意味著投資人對於未來標的物實際波動度的預期，然而隱含波動度與未來標的物實際波動度，往往並不是很接近。
本論文應用支援向量迴歸機預測臺灣加權指數波動度。訓練模型期間自2006年12月21日到2011年2月16日符合預設條件之成交資訊。預測模型期間自2007年12月20日到2011年3月16日符合預設條件之成交資訊，每一筆預測模型中的資料均產生一組預測波動度與隱含波動度做比較，以期更為貼近標的物實際波動度。
從實驗的結果可得知，以均方根誤差而言，在訓練期間為一單位的情形下，有優化參數的預測波動度與無優化參數的預測波動度相較於實際波動度的均方根誤差較隱含波動度低，在訓練期間為三單位、六單位、十二單位下，有優化參數的預測波動度與無優化參數的預測波動度相較於實際波動度的均方根誤差較隱含波動度高。以平均誤差而言，隨著訓練期間在一單位、三單位、六單位、十二單位下，無優化參數的預測波動度高估實際波動度。有優化參數的預測波動度，在訓練期間為一單位、六單位下，高估實際波動度，在訓練期間為三單位、十二單位下，低估實際波動度。隱含波動度均為低估實際波動度。

關鍵字

選擇權 ； 隱含波動度 ； 支援向量迴歸 ； 預測波動度 ； 實際波動度

並列摘要

無資料

並列關鍵字

option ； implied volatility ； support vector regression ； realized volatility ； forecasting volatility

參考文獻

University Press.

[3] Chang, C. C. and Lin, C. J. (2001), “LIBSVM: a Library for Support Vector Machines.”

[4] Steve, R. G. (1998), “Support Vector Machines for Classification and Regression.” Technical

Science, University of Southampton.

SVM Regression and Error Bar Estimation.” Machine Learning, Vol. 46, 71–89.