Volatility trading with machine learning forecasting methods

Abstract

Volatility trading has become a prominent alternative to the traditional stock trading as the rapid development of web-trading in recent years has reduced significantly the costs of operating in the market. Moreover, machine learning techniques have enabled traders to rely heavily on statistical decision-making models to enhance the commonly used technical analysis. In this paper, a machine learning approach is used to predict proxies of short-term implied volatility clusters with high-frequency data, in order to perform trading strategies using vanilla options on a commercial platform. The empirical results indicate that tree-based methods outperform linear models in classifying these clusters using the time of the day as a key variable in the forecasting task. Financial results were mixed due to the high costs of operating in a 5-hour horizon, but it was found that long positions on at the money straddle strategies expiring in one day were profitable. The framework developed here can be used by small investors as a guidance to implement and assess theoretical strategies in accessible markets.

"El trading de volatilidad se ha convertido en una alternativa de peso al trading tradicional de acciones debido al rápido desarrollo de trading en línea en los últimos años, que ha reducido significativamente los costos de operar en el mercado. Además, las técnicas de machine learning han permitido a los traders confiar en modelos estadísticos de toma de decisiones para mejorar el comúnmente usado análisis técnico. En este trabajo se usa un enfoque de machine learning para detectar clusters de volatilidad implícita en el corto plazo con datos de alta frecuencia, con el fin de ejecutar estrategias de trading usando opciones vainilla en una plataforma comercial. Los resultados empíricos indican que los modelos basados en árboles superan el desempeño de los modelos lineales en la clasificación de clusters, usando la hora del día como una variable fundamental en la tarea de predicción. Los resultados financieros fueron mixtos debido a los altos costos de operar en un horizonte de 5 horas, pero se encontró que las posiciones largas en estrategias straddle 'en el dinero' con un día de expiración eran rentables. La metodología trabajada aquí puede ser usada por pequeños inversionistas como guía para implementar y evaluar estrategias teóricas en mercados accesibles."--Tomado del Formato de Documento de Grado.