Resumo: We evaluate the performance of several linear and nonlinear machine learning (ML) models in forecasting the realized volatility (RV) of ten global stock market indices in the period from January 2000 to December 2021. We train models using a dataset that includes past values of the RV and additional predictors, including lagged returns, implied volatility, macroeconomic and sentiment variables. We compare these models to widely used heterogeneous autoregressive (HAR) models. Our main conclusions are that (i) the additional predictors improve the out-of-sample forecasts at the daily and weekly forecast horizons; (ii) we find no evidence that nonlinear ML models can statistically outperform linear models in general; and (iii) in terms of the economic value that an investor would derive from monthly RV forecasts to build volatility-timing portfolios, simpler models without additional predictors work better. Published in "Journal of Empirical Finance" Joint work with Rafael R. Branco and Alexandre Rubesam.
Short Bio: Possui graduação em Ciências com menção em Estatística (Universidad Nacional de Ingeniería, Lima, Perú), mestrado em Estatística pela Universidade Estadual de Campinas e doutorado em Estatística pela Pontificia Universidad Católica de Chile. Atualmente é professor do Departamento de Estatística da Universidade Estadual de Campinas (UNICAMP). Tem experiência nas áreas de Estatística, Econometria e Finanças. Seu trabalho de pesquisa está relacionado com aspectos metodológicos principalmente em Séries Temporais, Regressão e Econometria Financeira, visando aplicações em risco de mercado, estimação de volatilidade, portfólios ótimos, entre outros. Atualmente é Coordenador do laboratório de pesquisa CAREFS (Centre for Applied Research on Econometrics, Finance and Statistics).