Il paradosso della combinazione delle previsioni: un’analisi con i modelli HAR

La volatilità rappresenta un concetto centrale in finanza, fondamentale per la gestione del rischio e la costruzione di portafogli ottimali. L’ampia disponibilità di dati ad alta frequenza e l'introduzione della realized volatility come proxy della volatilità, hanno favorito lo sviluppo di nuovi modelli. Tra i quali, il modello HAR (Heterogeneous AutoRegressive Model), che si è affermato come benchmark per la previsione della realized volatility, grazie alla sua semplicità e alla attendibilità delle sue performance. Vennero proposte diverse modifiche ed estensioni al modello HAR, ma nel presente elaborato si fa riferimento alla sua formulazione classica, che può essere interpretata come una combinazione di tre predittori lineari: giornaliero, settimanale e mensile. Tuttavia, questi modelli soffrono di distorsioni dovute a specificazioni errate. La letteratura ha evidenziato come semplici combinazioni di previsioni possano offrire performance migliori rispetto a modelli più complessi e tradizionali, fenomeno noto come forecast combination puzzle. L’obiettivo di questa tesi è quello di verificare se realmente i modelli di previsioni ottenuti tramite combinazioni più semplici, presentano performance più accurate rispetto a quelle ottenute con il modello HAR tradizionale e le sue estensioni. A tal fine, dopo una prima esposizione teorica e metodologia, vengono presentati a sostegno di quanto affermato i risultati empirici ottenuti sull’analisi della realized volatility dell’indice azionario Dow Jones Industrial Average (DJI) e dei titoli che lo compongono.