Volatilitetsmodeller - En utvärdering av prestation enligt Model Confidence Set

Sammanfattning

Syftet med vår uppsats var att med hjälp av Model Confidence Set (MCS) finna de bättre presterande modellerna bland de mest ”kända” och undervisade volatilitetsmodellerna. Vidare har vi även rankat dessa modeller inbördes. Eftersom prognoser om volatiliteten är mycket viktigt vid prissättningen på derivat, i detta fall ett räntederivat, är ämnet ständigt intressant. Med Model Confidence Set fann vi ett set av bättre presterande modeller utifrån vårt urval av ursprungliga modeller. Av de 11 modellerna som ingick i studien förkastades endast EGARCH (1,1) vilket innebär att denna inte anses ska ingå i Model Confidence Set. Denna modell förkastades under båda våra benchmarks, realized samt implicit volatilitet. I vårt resultat diskuterade vi orsaken till att EGARCH (1,1) inte ska ingå i MSC. En möjlig förklaring kan vara att MCS är känslig för extremvärden på MSE (Mean Square Error) vilket vi kan se tendenser till hos EGARCH (1,1)-modellen. Vidare gjordes även en inbördes ranking mellan modellerna. Denna ranking gjordes med båda våra benchmarks och gav relativt lika resultat.