A multi-factor HJM and PCA approach to risk management of VIX futures
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose Previous studies have shown the VIX futures tend to roll-down the term structure and converge towards the spot as they grow closer to maturity. The purpose of this paper is to propose an approach to improve the volatility index fear factor-level (VIX-level) prediction. Design/methodology/approach First, the authors use a forward-looking technique, the Heath–Jarrow–Morton (HJM) no-arbitrage framework to capture the convergence of the futures contract towards the spot. Second, the authors use principal component analysis (PCA) to reduce dimensionality and save substantial computational time. Third, the authors validate the model with selected VIX futures maturities and test on value-at-risk (VAR) computations. Findings The authors show that the use of multiple factors has a significant impact on the simulated VIX futures distribution, as well as the computations of their VAR (gain in accuracy and computing time). This impact becomes much more compelling when analysing a portfolio of VIX futures of multiple maturities. Research limitations/implications The authors’ approach assumes the variance to be stationary and ignores the volatility smile. Nevertheless, they offer suggestions for future research. Practical implications The VIX-level prediction (the fear factor) is of paramount importance for market makers and participants, as there is no way to replicate the underlying asset of VIX futures. The authors propose a procedure that provides efficiency to both pricing and risk management. Originality/value This paper is the first to apply a forward-looking method by way of a HJM framework combined with PCA to VIX-level prediction in a portfolio context.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle