Volatility Forecasting with Machine Learning and application to volatility swaps

Esta dissertação oferece novos contributos obre o uso de modelos de Machine Learning, especificamente o algoritmo XGBoost, para previsão de volatilidade realizada e sua aplicação em estratégias de investimento. O estudo concentra-se no índice SP500, de 1990 a 2024, e simula uma estratégia de investimento com swaps de volatilidade entre 2018 e 2024 com base nas previsões obtidas. Realiza-se uma análise para testar qual combinação de modelo de Machine Learning e variáveis apresenta melhor desempenho na tarefa. Os modelos avaliados incluem XGBoost, Florestas Aleatórias (Random Forests) e Redes Neuronais (Artificial Neural Networks), enquanto as variáveis testadas são as Funções Modais Intrínsecas (IMFs - Intrissic Mode Functions) resultantes da decomposição CEEMDAN e variáveis de mercado dos Estados Unidos. O algoritmo XGBoost, combinando IMFs e variáveis de mercado, destaca-se como o modelo de ML mais eficiente no estudo, tendo também melhor performance que dois “naïve models” diferentes usados como referência. A aplicabilidade das previsões é testada por meio da simulação de um investimento em swaps de volatilidade, que, com suposições realistas e diversos cenários, demonstra resultados encorajadores em termos de retornos, no entanto apresentado uma volatilidade extremamente alta.