Forecasting Volatility with Empirical Similarity and Google Trends

Аномалии: 
Авторы: 
Alain Hamid Moritz Heiden
Аннотация: 
This paper proposes an empirical similarity approach to forecast weekly volatility by using search engine data as a measure of investors attention to the stock market index. Our model is assumption free with respect to the underlying process of investors attention and significantly outperforms conventional time-series models in an out-of-sample forecasting framework. We find that especially in high-volatility market phases prediction accuracy increases together with investor attention. The practical implications for risk management are highlighted in a Value-at-Risk forecasting exercise, where our model produces significantly more accurate forecasts while requiring less capital due to fewer overpredictions.
Описание: 

Анализируется есть ли влияение поисковых запросов гугл на будущую реализованную волатильность. Добавляют в обычные модели (HAR, ARFIMA, AR и т.п.). Вроде как корреляция достаточно высокая, плюс есть неожиданный паттерн - рост корреляции на сравнительно дальних лагах - ок. 20.

Но если ошибки анализировать (MSE) out-of-sample ничего особо хорошего не видно - примерно на уровне обычных моделей.