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

Résumé Dans cet article, nous étudions différents modèles MIDAS dans lesquels la variance quotidienne future est directement liée aux observations passées des prédicteurs intraday. Notre objectif est de déterminer s'il existe une fréquence d'échantillonnage optimale en termes de prédiction de la volatilité. 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 volatilité. Dans l'application, nous considérons deux actifs très liquides (c'est-à-dire Microsoft et S&P 500). Nous montrons que, lorsque l'on utilise les log-retours quadratiques intraday bruts comme variable explicative, il existe un "mur de haute fréquence" ou une limite de fréquence au-delà de laquelle les prévisions de MIDAS-RV se détériorent. Nous montrons également qu'une amélioration peut être obtenue en utilisant les log-retours quadratiques intrajournaliers échantillonnés à une fréquence plus élevée, à condition qu'ils soient pré-filtrés pour tenir compte de la présence de sauts, de la périodicité intrajournalière et/ou du bruit de microstructure. Enfin, nous comparons le modèle MIDAS à d'autres modèles de variance concurrents, notamment les modèles GARCH, GAS, HAR-RV et HAR-RV-J. Nous constatons que le modèle MIDAS fournit des prévisions de variance équivalentes ou même meilleures que ces modèles, lorsqu'il est appliqué à des données filtrées.