Avons-nous besoin de données à haute fréquence pour prévoir les écarts ?

Résumé Dans cet article, nous étudions divers modèles MIDAS pour lesquels la variance quotidienne future est directement liée aux observations passées des prédicteurs intrajournaliers. Notre objectif est de déterminer s'il existe une fréquence d'échantillonnage optimale en termes de prédiction de la variance. Via des simulations de Monte Carlo, nous montrons que dans un monde sans bruit de microstructure, le meilleur modèle est celui qui utilise la plus haute fréquence disponible pour les prédicteurs. Cependant, en présence de bruit de microstructure, l'utilisation de prédicteurs à très haute fréquence peut être problématique et conduire à de mauvaises prévisions de la variance. L'application empirique se concentre sur deux actifs très liquides (c'est-à-dire Microsoft et S&P 500). Nous montrons que, lorsque la variable explicative utilisée est le log-retour quadratique intrajournalier brut, il existe un "mur de haute fréquence" - ou limite de fréquence - au-delà duquel les prévisions MIDAS-RV se détériorent ou cessent de s'améliorer. Une amélioration peut être obtenue en utilisant les log-retours quadratiques intra-journaliers échantillonnés à une fréquence plus élevée, à condition qu'ils soient pré-filtrés pour tenir compte de la présence de sauts, de la tendance diurne intra-journalière et/ou du bruit de microstructure. Enfin, nous comparons le modèle MIDAS à d'autres modèles de variance concurrents, y compris les modèles GARCH, GAS, HAR-RV et HAR-RV-J. Nous constatons que le modèle MIDAS - lorsqu'il est appliqué à des données filtrées - fournit des prévisions de variance équivalentes ou même meilleures que ces modèles. JEL : C22, C53, G12 / MOTS CLÉS : Variance Forecasting, MIDAS, High-Frequency Data. RÉSUMÉ.