Forecasting the Volatility of exchange-traded funds : Evidence from AI companies
Mattila, Silja (2024-07-15)
15.07.2024
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi-fe2024081364698
https://urn.fi/URN:NBN:fi-fe2024081364698
Tiivistelmä
Tekoälyn kehitys ja hyödyntäminen ovat kiihtyneet nopeasti viime vuosina. Sen sovelluksia käytetään laajasti rahoituksessa. Sen hyödyntäminen kattaa erilaisia sijoitusinstrumentteja ja strategioita sekä lukemattomia muita mahdollisuuksia. Tekoälyratkaisut tarjoavat innovatiivisia tapoja tehostaa prosesseja, parantaa palveluita ja luoda uusia liiketoimintamalleja. Tekoälyn sovellusten ja mahdollisuuksien lisääntyessä myös tekoälyyn perustuvat sijoitusinstrumentit ovat yleistyneet. Nämä instrumentit mahdollistavat sijoittamisen yrityksiin, jotka hyödyntävät tekoälyä toiminnassaan tai ovat robotiikan ja tekoälyn kehityksen kärjessä.
Tutkimuksen tavoitteena on hyödyntää ehdollisia heteroskedastisia volateettimalleja ja näiden variaatioita havaitsemaan tekoälyyn sijoittavien ETF:ien volatiliteettien käyttäytymisominaisuuksia, muun muassa volatiliteetin pysyvyyttä sekä volatiliteetin pitkämuistisuutta. Aikomuksena on vertailla kolmen eri mallien (GARCH, IGARCH ja FIGARCH) kyvykkyyksiä havaita volatiliteetin käyttäytymisominaisuuksia, ja määrittää sopiva malli ennustetarkkuusmittareiden avulla.
Tutkimuksen data koostuu kolmesta ETF:stä. Näistä kaksi keskittyy tekoälyyn, AIQ ja BOTZ, ja lisäksi mukana on vertailuindeksinä toimiva SPY. ETF:ien päivittäiset tuotot kattavat ajanjakson alkaen AIQ:n avauspäivästä 16.5.2018 päivään 29.12.2023. Ajanjaksoon sisältyy muun muassa COVID19 aiheuttamat markkinahäiriöt heilahteluineen ETF:issä.
Tutkimus perustuu kahteen vaihtoehtoiseen hypoteesiin, jotka ovat tutkimuksen perustana. Nollahypoteesi olettaa, että GARCH-, IGARCH- ja FIGARCH-mallien ennustetarkkuus AI-ETF
volatiliteetin ennustamisessa on samalla tasolla. Vaihtoehtoinen hypoteesi taas esittää, että FIGARCH-malli on kyvykkäämpi GARCH- ja IGARCH-malleihin verrattuna erityisesti tie-tyissä volatiliteetin ennustamisen aspekteissa näissä rahastoissa. Näiden hypoteesien testaaminen ja vertailu muodostavat tutkimuksen metodologisen ytimen ja pyrkivät osoittamaan mikä malli soveltuu parhaiten volailiteetin ennustamiseen näiden instrumenttien keskuudessa.
Tutkimustulokset osoittavat, että FIGARCH tarjoaa joitakin etuja verrattuna muihin malleihin. Kokonaisuudessaan erot eivät ole kuitenkaan kovin merkittäviä, eikä nollahypoteesia voida myöskään ennustetarkkuusmittareiden nojalla täysin hylätä. Täten voidaan todeta, että kolmen eri mallin keskuudessa ennustetulokset eivät eroa merkittävästi toisistaan, ja mallien ennustetarkkuus on lähes samalla tasolla tekoäly ETF:ien volatiliteetin ennustamisessa. The development and utilization of artificial intelligence have rapidly enhanced in recent years. Its applications are extensively employed in finance, encompassing a variety of investment instruments and strategies, along with countless other possibilities. Artificial intelligence solutions offer innovative ways to enhance processes, improve services, and create new business models. As the applications and opportunities of artificial intelligence increase, investment instruments based on it have become more common. These instruments enable investment in companies that utilize artificial intelligence in their operations or are at the forefront of robotics and artificial intelligence development.
The research aims to utilize conditional heteroskedastic volatility models and their variations to detect the volatility behavior characteristics of ETFs investing in artificial intelligence, including volatility persistence and long memory features. The intention is to compare the capabilities of three different models (GARCH, IGARCH, and FIGARCH) in detecting these volatility characteristics, and to determine the appropriate model using forecast accuracy measures.
The research data comprises three ETFs. Two focus on artificial intelligence, AIQ and BOTZ, with SPY as a benchmark index. The daily returns of these ETFs cover the period from the opening date of AIQ on May 16, 2018, to December 29, 2023, which includes market disruptions caused by COVID-19 among other fluctuations in the ETFs.
The study is based on two alternative hypotheses. The null hypothesis assumes that the forecast accuracy of the GARCH, IGARCH, and FIGARCH models in predicting AI-ETF volatility is on the same level. The alternative hypothesis proposes that the FIGARCH model is more capable than the GARCH and IGARCH models, particularly in certain aspects of forecasting volatility in these funds. Testing and comparing these hypotheses form the methodological core of the study. The aim is to determine the best-fitted model for predicting volatility among these instruments.
The research findings indicate that the FIGARCH model offers some advantages over the other models. However, the differences are not significant overall, and the null hypothesis cannot be completely rejected based on forecast accuracy measures. Therefore, it can be concluded that there is no significant variance in the forecast outcomes among the three models, and their forecast accuracy is almost on the same level in predicting the volatility of AI ETFs.
Tutkimuksen tavoitteena on hyödyntää ehdollisia heteroskedastisia volateettimalleja ja näiden variaatioita havaitsemaan tekoälyyn sijoittavien ETF:ien volatiliteettien käyttäytymisominaisuuksia, muun muassa volatiliteetin pysyvyyttä sekä volatiliteetin pitkämuistisuutta. Aikomuksena on vertailla kolmen eri mallien (GARCH, IGARCH ja FIGARCH) kyvykkyyksiä havaita volatiliteetin käyttäytymisominaisuuksia, ja määrittää sopiva malli ennustetarkkuusmittareiden avulla.
Tutkimuksen data koostuu kolmesta ETF:stä. Näistä kaksi keskittyy tekoälyyn, AIQ ja BOTZ, ja lisäksi mukana on vertailuindeksinä toimiva SPY. ETF:ien päivittäiset tuotot kattavat ajanjakson alkaen AIQ:n avauspäivästä 16.5.2018 päivään 29.12.2023. Ajanjaksoon sisältyy muun muassa COVID19 aiheuttamat markkinahäiriöt heilahteluineen ETF:issä.
Tutkimus perustuu kahteen vaihtoehtoiseen hypoteesiin, jotka ovat tutkimuksen perustana. Nollahypoteesi olettaa, että GARCH-, IGARCH- ja FIGARCH-mallien ennustetarkkuus AI-ETF
volatiliteetin ennustamisessa on samalla tasolla. Vaihtoehtoinen hypoteesi taas esittää, että FIGARCH-malli on kyvykkäämpi GARCH- ja IGARCH-malleihin verrattuna erityisesti tie-tyissä volatiliteetin ennustamisen aspekteissa näissä rahastoissa. Näiden hypoteesien testaaminen ja vertailu muodostavat tutkimuksen metodologisen ytimen ja pyrkivät osoittamaan mikä malli soveltuu parhaiten volailiteetin ennustamiseen näiden instrumenttien keskuudessa.
Tutkimustulokset osoittavat, että FIGARCH tarjoaa joitakin etuja verrattuna muihin malleihin. Kokonaisuudessaan erot eivät ole kuitenkaan kovin merkittäviä, eikä nollahypoteesia voida myöskään ennustetarkkuusmittareiden nojalla täysin hylätä. Täten voidaan todeta, että kolmen eri mallin keskuudessa ennustetulokset eivät eroa merkittävästi toisistaan, ja mallien ennustetarkkuus on lähes samalla tasolla tekoäly ETF:ien volatiliteetin ennustamisessa.
The research aims to utilize conditional heteroskedastic volatility models and their variations to detect the volatility behavior characteristics of ETFs investing in artificial intelligence, including volatility persistence and long memory features. The intention is to compare the capabilities of three different models (GARCH, IGARCH, and FIGARCH) in detecting these volatility characteristics, and to determine the appropriate model using forecast accuracy measures.
The research data comprises three ETFs. Two focus on artificial intelligence, AIQ and BOTZ, with SPY as a benchmark index. The daily returns of these ETFs cover the period from the opening date of AIQ on May 16, 2018, to December 29, 2023, which includes market disruptions caused by COVID-19 among other fluctuations in the ETFs.
The study is based on two alternative hypotheses. The null hypothesis assumes that the forecast accuracy of the GARCH, IGARCH, and FIGARCH models in predicting AI-ETF volatility is on the same level. The alternative hypothesis proposes that the FIGARCH model is more capable than the GARCH and IGARCH models, particularly in certain aspects of forecasting volatility in these funds. Testing and comparing these hypotheses form the methodological core of the study. The aim is to determine the best-fitted model for predicting volatility among these instruments.
The research findings indicate that the FIGARCH model offers some advantages over the other models. However, the differences are not significant overall, and the null hypothesis cannot be completely rejected based on forecast accuracy measures. Therefore, it can be concluded that there is no significant variance in the forecast outcomes among the three models, and their forecast accuracy is almost on the same level in predicting the volatility of AI ETFs.