Volatility Modeling via EWMA-Driven Time-Dependent Hurst Parameters
Jayanth Athipatla
我们引入了一种新的粗糙的Bergomi(rBergomi)模型,该模型具有方差驱动的指数加权移动平均线(EWMA)时间依赖的Hurst参数H_t,与文献中最近的机器学习和基于小波的方法有根本的区别。 我们的框架开创了一个以粗糙路径理论为基础的统一粗糙微分方程(RDE)公式,其中Hurst参数通过与瞬时方差相关的连续EWMA机制动态适应不断变化的波动性机制。 与离散模型切换或计算密集型预测方法不同,我们的方法提供了数学可处理性,同时捕获波动性聚类和粗糙度爆发。 我们通过粗糙的路径理论严格地建立解决方案的存在和独特性,并衍生出马厩特性。 对股票、加密货币和大宗商品等不同资产类别的实证验证在捕捉动态和样本外定价准确性方面表现出卓越的表现。 我们的研究结果显示,与传统恒常型 Hurst 模型相比,我们的改进显著。
We introduce a novel rough Bergomi (rBergomi) model featuring a variance-driven exponentially weighted moving average (EWMA) time-dependent Hurst parameter H_t, fundamentally distinct from recent machine learning and wavelet-based approaches in the literature. Our framework pioneers a unified rough differential equation (RDE) formulation grounded in rough path theory, where the Hurst parameter dynamically adapts to evolving volatility regimes through a continuous EWMA mechanism tied to instantan...