金融工程专题报告：利用机器学习预测VIX指数，以上证50ETF期权VIX指数为例

HTTP://WWW.LONGONE.COM.CN 市场有风险，投资需谨慎 [table_page] 金融工程专题报告 [table_subject] 2021 年 12 月 21 日 证券研究报告—金融工程专题报告 利用机器学习预测 VIX 指数 以上证 50ETF 期权 VIX 指数为例 [table_date] 分析日期 2021 年 12 月 12 日 [table_research] 证券分析师： 丁竞渊 执业证书编号： S0630516080001 电话： 021-20333723 邮箱： djy@longone.com.cn [table_product] VIX 及 SKEW 指数的构建、分析与预测 [table_main] 东海策略研究类模板 ◎摘要： VIX指数是反映市场对未来30 天波动率水平的预期的一个重要指标，最早由芝加哥期权交易所（CBOE）推出。由于 VIX 指数对市场的波动率变化有很强的敏感性，因此预测 VIX 指数在期权定价、风险对冲、期权价差套利策略等方面具有重要的应用价值。传统的波动率预测模型，如滑动窗口法、EWMA、GARCH 等，均以时间序列的历史数据为基础，不能容纳其他因子所包含的信息，预测效果并不理想。而机器学习模型可以将多种不同维度的预测因子作为特征值至于模型之中，也不依赖于先验的模型形式，为预测 VIX 指数提供了新思路。 在本报告中我们构造了利用机器学习预测 VIX 指数的研究框架。针对机器学习在分类问题的表现优于回归问题这一特性，我们将预测模型的目标值转换为 VIX 指数在未来时间区间内，最大值与最小值与 VIX 指数 20日均线的波动幅度，相对于 20 日标准差的倍数。并以 0.5 个标准差的间隔分档，将 VIX 指数连续值的回归问题离散化为对应档位的分类问题。在预测因子方面，我们采用了标的资产的历史波动率，近月、次近月合约的隐含波动率和时间价值，反映时间序列均值回复特征的 Hurst 指数，以及 VIX 指数均线形态指标等不同类型的因子。 从模型的训练结果看，采用随机森林分类器训练得到的预测模型获得了最高分值。从预测模型的预测准确度看，波动方向性预测的准确率在83%以上，预测误差在±1档（0.5 个标准差）以内的占 50%以上。预测模型对基于波动率的期权价差策略已经具有实际的价值，但对准确率要求较高的期权定价模型和套期保值策略来说仍有进一步提升的空间。 在未来的研究中，改进和增加基于标的资产技术分析的因子和包含市场情绪信息的另类数据因子，是我们进一步提高 VIX 指数预测模型准确率的主要思路。 相关研究报告 HTTP://WWW.LONGONE.COM.CN 市场有风险，投资需谨慎 [table_page] 金融工程专题报告 正文目录 1. 预测 VIX 指数的意义 ............................................................................................................................................... 3 2. 构建机器学习预测模型 ........................................................................................................................................... 6 2.1. 确定预测目标 ....................................................................................................................................................... 6 2.2. 模型训练流程 ....................................................................................................................................................... 7 3. 预测因子分析 ......................................................................................................................................................... 8 3.1. 选择预测因子 ....................................................................................................................................................... 8 3.2. 因子样本分析 ....................................................................................................................................................... 9 4. 预测效果分析 ....................................................................................................................................................... 15 4.1. 模型训练结果 ............................................................................