Predictable Dynamics in the S&P 500 Index Options Implied Volatility Surface
Notice bibliographique
Résumé
One key stylized fact in the empirical option pricing literature is the existence of an implied volatility surface (IVS).The usual approach consists of Þtting a linear model linking the implied volatility to the time to maturity and the moneyness, for each cross section of options data.However, recent empirical evidence suggests that the parameters characterizing the IVS change over time.In this paper we study whether the resulting predictability patterns in the IVS coefficients may be exploited in practice.We propose a two-stage approach to modeling and forecasting the S&P 500 index options IVS.In the Þrst stage we model the surface along the cross-sectional moneyness and time-to-maturity dimensions, similarly to Dumas et al. (1998).In the second-stage we model the dynamics of the cross-sectional Þrst-stage implied volatility surface coefficients by means of vector autoregression models.We Þnd that not only the S&P 500 implied volatility surface can be successfully modeled, but also that its movements over time are highly predictable in a statistical sense.We then examine the economic signiÞcance of this statistical predictability with mixed Þndings.Whereas proÞtable delta-hedged positions can be set up that exploit the dynamics captured by the model under moderate transaction costs and when trading rules are selective in terms of expected gains from the trades, most of this proÞtability disappears when we increase the level of transaction costs and trade multiple contracts off wide segments of the IVS.This suggests that predictability of the time-varying S&P 500 implied volatility surface may be not inconsistent with market efficiency.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».