The Epps effect under alternative sampling schemes
时间和测量时间尺度的选择是我们选择如何在金融中表示信息和数据的基础。这一选择意味着用于描述金融体系的统计可衡量指标的单位和汇总尺度。它还定义了我们如何衡量不同交易工具之间的关系。当我们从高频时间尺度（当单个交易和报价事件发生时）转移到中尺度（当相关性以符合各种潜在模型的方式出现时）时，仍然不清楚选择什么样的时间和采样率才能忠实地捕捉系统动态和资产相关性，以便做出决策。Epps效应是将相关性的出现与采样时间尺度的选择相耦合的关键现象学。在这里，我们考虑和比较不同的抽样方案下的Epps效应，以对比三种时间的选择：日历时间，交易量时间和交易时间。使用基于霍克斯过程的玩具模型，我们能够实现符合经验动力学的模拟结果。具体地说，我们发现，埃普斯效应是目前在所有三个定义的时间和相关性出现更快的贸易时间相比，日历时间，而相关性出现在量的时间呈线性。
2021-08-01 q-fin.ST q-fin.TR
Correlation emergence and the Epps effect in two coupled limit order books
University of New South Wales（新南威尔士大学）；University of Cape Town（开普敦大学）
通过建立耦合反应扩散方程模型，从订单流微观动态出发，解析推导出相关性随聚合时间变化的闭合表达式，揭示Epps效应源于异步事件时钟、有限耦合响应时间及其组合三种机制。
2026-09-09 math.AP q-fin.ST q-fin.TR
Uncovering the evolution of non-stationary stochastic variables: the example of asset volume-price fluctuations
我们提出了一个框架，用于描述具有非平稳分布的值的随机观测量的演变。该框架适用于纽约证券交易所交易的资产的经验量价。使用Kullback-Leibler散度，我们从金融数据分析中使用的四个双参数模型标准中评估最佳模型。在我们目前的数据集，我们得出结论，逆$Γ$分布是一个很好的模型，特别是对于最大的量价波动的分布尾部。提取相应的参数值的时间序列，我们表明，它们随时间演变的随机变量本身。对于控制量价分布尾部的参数的特定情况，我们能够提取描述数据中观察到的最大量价波动的Ornstein-Uhlenbeck方程。最后，我们讨论了如何从分布参数的随机演化到（非平稳）可观测的随机演化，并将我们的结论用于物理学和生物学中的其他应用。
2015-10-25 physics.data-an q-fin.ST
Compensating asynchrony effects in the calculation of financial correlations
提出了一种补偿异步时间序列相关性计算中统计误差的方法。该方法是基于一个潜在的时间序列的假设。我们建立了一个模型，并将其应用于金融数据，以检查对较小的回报间隔（Epps效应）的计算相关性的下降。我们表明，这种统计效应是一个主要原因的Epps效应。因此，我们能够仅使用交易价格和交易时间对其进行量化和补偿。
2010-07-06 q-fin.ST q-fin.TR
Impact of Investor's Varying Risk Aversion on the Dynamics of Asset Price Fluctuations
虽然投资者对价格变化的反应和他们的价格预测被公认为是导致金融市场价格大幅波动的主要因素，但我们的研究表明，投资者的异质性和动态风险厌恶（Risk Average，Risk Average）偏好可能在资产价格波动的动态中发挥更关键的作用。我们提出并研究了一个人工股票市场模型，该模型由异质代理人组成，并且我们发现，异质代理人是过度的价格波动和相关的波动聚集的主要驱动力。我们采用了一个流行的幂效用函数，$U(c,γ)=\frac{c^{1-γ}-1}{1-γ}$与代理特定的和时间依赖的风险厌恶指数，$γ_i(t)$，我们推导出一个近似公式的需求函数和总价格设置方程。每个主体的风险厌恶指数$γ_i(t)$（i= 1，2，.，N），用具有恒定方差$δ^2$的有界随机游走来建模。我们在数值上表明，我们的模型再现了在真实数据中观察到的大多数“风格化”事实，这表明动态风险规避是这些风格化事实出现的关键机制。
2005-06-30 physics.comp-ph physics.soc-ph q-fin.ST
Assessing market uncertainty by means of a time-varying intermittency parameter for asset price fluctuations
应用于高频数据的最大似然估计使我们能够量化资产价格波动的不稳定性。从短至一个月的时间记录中，这些方法允许提取表征资产价格波动率聚集程度的有意义的波动率参数λ。因此，我们可以研究波动率聚集的时间演化，并测试这种变化的统计意义。通过分析奥斯陆证券交易所的数据，并将结果与投资级价差进行比较，我们发现，在市场高度不确定的情况下，λ的估计值较低。
2012-02-22 q-fin.ST q-fin.TR
The asset price bubbles in emerging financial markets: a new statistical approach
泡沫是一个有争议的重要问题。人们提出了许多基于合理预期的泡沫检测方法。然而，对于一些发展中国家，尤其是中国，资产市场是如此年轻，以至于对许多公司来说，没有股息和基本价值，这使得很难（如果不是不可能的话）用现有的方法来衡量泡沫。因此，我们提出了一种简单而有效的统计方法和三个统计量（即C，U，V）来捕捉和量化资产价格泡沫，特别是在不成熟的新兴市场。为了给出一个将这种方法应用于现实问题的清晰例子，我们还应用我们的方法重新实证检验了一些股票市场的资产价格泡沫。本文对现有文献的主要贡献在于：第一，该方法不依赖于基本面价值、贴现率和股利，因此适用于缺乏这类充分数据的不成熟市场;第二，该方法允许我们检验泡沫的不同影响（羊群行为、异常波动和综合影响）。据我们所知，我们的新统计方法是现有文献中量化资产价格泡沫（尤其是新兴市场）的唯一可靠方法。
2016-10-24 q-fin.ST
Scaling and data collapse for the mean exit time of asset prices
我们研究金融时间序列的平均退出时间的理论和实证方面。理论建模是在连续时间随机游走的框架内进行的。我们的经验验证，平均退出时间遵循二次标度律，它与一个前因子，这是特定的分析股票。我们进行了一系列的统计测试，以确定哪种相关性负责这种特异性。主要贡献与股票收益率的自相关性有关。我们介绍和解决解析两个状态和三状态马尔可夫链模型。用两状态马尔可夫链模型获得的分析结果使我们能够在单个主曲线中获得20个实测MET曲线的数据崩溃。
2005-07-06 physics.soc-ph q-fin.ST
Machine Learning Algorithms for Financial Asset Price Forecasting
University of Oxford（牛津大学）；Saïd Business School（赛德商学院）
本文探讨了机器学习（ML）算法和技术的性能，可用于金融资产价格预测。资产价格和收益的预测和预测仍然是量化金融和从业人员面临的最具挑战性和最令人兴奋的问题之一。近年来生成和捕获的数据大量增加，为利用机器学习算法提供了机会。这项研究直接比较和对比了现代机器学习算法在高性能计算（HPC）基础设施上的最新实现与传统和高度流行的资本资产定价模型（CAPM）在美国股票数据上的实现。实施的机器学习模型-在整个股票宇宙的时间序列数据上训练（除了外部宏观经济变量）显着优于CAPM的样本外（OOS）测试数据。
2020-03-31 cs.LG econ.EM q-fin.ST
Forecasting trends with asset prices
在本文中，我们考虑一个随机资产价格模型的趋势是一个不可观测的Ornstein-Uhlenbeck过程。我们首先回顾了卡尔曼滤波的一些经典结果。可以预见，参数的选择是将其付诸实践的关键。为此，我们得到了封闭形式的似然函数，并给出了该函数的两个在线计算。然后，我们研究统计估计量的渐近行为。最后，我们量化了连续时间误指定卡尔曼滤波器的不良校准的影响。数值算例说明了金融时间序列趋势预测的难度。
2015-04-20 q-fin.PM q-fin.ST stat.AP
Bayesian Dynamic Modeling of Realized Volatility in Financial Asset Price Forecasting
Duke University（杜克大学）
本文提出了一种新的贝叶斯动态模型，用于金融预测中的价格-实现波动率时间序列。通过将新的动态伽马过程模型与传统贝叶斯动态线性模型结合，改进了波动率杠杆和反馈效应的建模。
2026-05-12 q-fin.ST stat.ME
BreakGPT: Leveraging Large Language Models for Predicting Asset Price Surges
本文提出BreakGPT，一种结合时间序列表示学习与大型语言模型的新型架构，用于预测资产价格飙升，以最少训练有效捕捉局部和全局时间依赖，成为金融预测的有力方案。
2024-11-09 cs.LG q-fin.ST
Distribution of the asset price movement and market potential
在这篇文章中，我们讨论了市场势函数的资产价格变动的分布。从自由能最小化原理出发，分析了两种不同的市场势。当市场反转（即反向投资者）占主导地位时，我们获得了U形势。另一方面，如果有更多的趋势追随者，平坦和对数-样的潜力出现。通过使用周期性调整市盈率，这是一个常见的估值工具，我们实证研究的市场数据。通过研究长期数据，我们观察了美国股票市场市场潜力的历史变化。最近的美国数据显示，市场潜力看起来更像趋势追随者的潜力。接下来，我们比较了12个不同国家的市场潜力。虽然一些国家有类似的市场潜力，但也有一些具体的例子，如日本，其潜力非常平坦。
2014-03-13 q-fin.GN q-fin.ST
Evolutionary Dynamics of Investors Expectations and Market Price Movement
本研究从传播理论视角探究投资者预期与市场价格运动的关联，构建基于非线性演化方程的资产价格动力学模型，经多类市场多时间框架检验，模型预测序列与资产序列协整，可用于价格预测。
2023-12-17 q-fin.ST
Quantifying horizon dependence of asset prices: a cluster entropy approach
市场动态是量化的熵$S(τ,n)$的价格$p_t$和移动平均线$\widetilde{p}_{t,n}$之间的交叉点形成的集群。熵$S(τ,n)$根据Shannon定义为$\sum P(τ,n)\log P(τ,n),$，其中$P(τ,n)$是集群在持续时间$τ$内出现的概率。\par调查是对从彭博终端下载的纳斯达克综合指数、道琼斯工业平均指数和标准普尔500指数的高频数据进行的。聚类熵$S(τ,n)$在2018年1至12个月的广泛时间范围$M$的原始和采样数据中进行分析。聚类熵$S(τ,n)$在聚类持续时间$τ$上积分，以产生市场动态指数$I(M,n)$，价格动态的综合图。证明了集群熵$S(τ,n)$和市场动态指数$I(M,n)$对时间范围$M$的系统依赖性。最后，市场的地平线依赖性，定义为\par，比较了通过Kullback-Leibler熵方法获得的不同的代表性代理的定价核的地平线依赖性。三种资产的市场水平依赖性$H(M,n)$与通过对人工生成的系列（分数布朗运动）实施聚类熵$S(τ,n)$方法获得的值进行比较。
2020-04-11 physics.data-an q-fin.CP q-fin.ST
On the quantum behavior and clustering properties of correlated financial portfolios
我们研究了17种数字货币，将其与量子系统进行类比，并提出了特征投资组合的概念。我们发现，这些资产的相关矩阵的态密度之间的Wishart合奏和一个其元素是柯西分布的行为。提出了一种基于高斯函数叠加的参与矩阵度量，并证明了小的本征值对应于局域态。尽管如此，对于较大的特征值，也存在一定程度的局部化，这可能是由这些资产收益率分布的厚尾引起的。我们还通过聚类研究表明，数字货币往往交错在一起。我们得出结论的文件表明，这种相关性结构导致了埃普斯效应。
2020-04-30 q-fin.ST
From microscopic price dynamics to multidimensional rough volatility models
粗略波动率是金融资产的一个公认的统计风格化事实。这一性质导致了各种新的粗糙随机波动率模型的设计和分析。然而，这些发展大多是在单一资产情况下进行的。在这项工作中，我们表明，一些特定的多元粗糙波动率模型自然产生的微观结构属性的联合动态的资产价格。为此，我们使用Hawkes过程来构建微观模型，精确再现高频跨资产交互，并研究其长期缩放限制。我们强调我们的方法的相关性，通过提供微观特征的作用，如动量和均值回归的多维价格形成过程的见解。我们特别恢复高维股票相关矩阵的经典性质。
2019-10-30 math.PR q-fin.MF q-fin.ST
Fear and Volatility in Digital Assets
我们表明，比特币在5分钟时间范围内的隐含波动率可以从价格、波动势头和其他数据（包括情绪和参与度）中适度预测。滞后的比特币指数价格和波动性走势与谷歌趋势一起对该模型做出了贡献，市场往往在几个小时后做出反应。本文中使用的代码和数据集可以在https://github.com/Globe-Research/bitfear上找到。
2020-10-29 q-fin.ST
"Quantum Equilibrium-Disequilibrium": Asset Price Dynamics, Symmetry Breaking, and Defaults as Dissipative Instantons
我们提出了一个简单的非均衡模型的金融市场作为一个开放的系统，可能与外部世界的货币交换和市场摩擦（贸易影响）纳入资产价格动态通过反馈机制。使用线性市场冲击模型，这产生了经典几何布朗运动（GBM）模型的非线性双参数扩展，我们称之为“量子均衡-非均衡”（QED）模型。QED模型产生了非线性均值回复动态、破标不变性和公司违约。在最简单的单股票（1D）公式中，我们的简约模型只有一个自由度，但同时校准股票回报和信用违约互换利差。泡沫和市场崩溃与耗散隧道事件，并对应于瞬子（鞍点）的解决方案的模型。当市场摩擦和资金流入/流出被完全忽略时，具有指数资产增长且没有违约的“经典”GBM标度不变动力学从QED动力学中正式恢复。然而，我们认为，这只是一个正式的数学限制，在现实中的GBM限制是非分析的，由于非线性效应，产生违约和分歧的扰动理论在一个小的市场摩擦参数。
2019-05-28 q-fin.MF q-fin.ST
Stochastic Approaches to Asset Price Analysis
本研究探究卡尔曼滤波在资产价格估计中的性能，结合OU模型与滚动参数估计应用于股市数据并提出日内交易算法回测，还针对Heston模型提出更简便的矩估计参数方法并验证性能。
2024-07-09 q-fin.CP q-fin.ST
Scaling analysis of multivariate intermittent time series
分析了股票市场资产价格和交易量时间序列的标度特性。结果表明，与资产价格一样，交易量数据也服从低变周期的多尺度长度分布。就资产价格而言，这种标度行为可用于风险预测：第二天观察到价格大幅波动的概率（超普遍）与持续低波动期的长度成反比。最后，设计了一种多因子尺度分析方法。我们将最简单的双因素模型应用于股票指数和交易量时间序列。
2005-01-13 cond-mat.stat-mech q-fin.ST
A Deep Learning Framework for Predicting Digital Asset Price Movement from Trade-by-trade Data
New York University Leonard N. Stern School of Business（纽约大学斯特恩商学院）
本文提出了一种基于长短期记忆网络（LSTM）的深度学习框架，该框架可以从逐个交易的数据中预测加密货币的价格走势。本研究的主要重点是从回顾期预测固定时间范围内的短期价格变化。通过精心设计特征和详细搜索最佳超参数，该模型经过训练，在近一年的逐交易数据上实现了高性能。最佳模型在样本外测试期间提供稳定的高性能（超过60%的准确度）。在现实的交易模拟环境中，模型做出的预测可以很容易地货币化。此外，这项研究表明，LSTM模型可以从逐个交易的数据中提取通用特征，因为学习的参数在其他未包含在训练数据中的加密货币工具上保持了良好的性能。本研究在数据规模和精度方面均超过现有研究，并取得了较高的预测精度。
2020-10-11 cs.AI cs.LG q-fin.ST
A new structural stochastic volatility model of asset pricing and its stylized facts
University of Southampton（南安普顿大学）
本文提出一种基于主体模型的新型资产定价模型，通过模拟主体间的随机互动，揭示价格形成机制，并首次应用参数Bootstrap方法，以复制金融数据的多种风格化特征。
2016-04-29 econ.GN q-fin.EC q-fin.ST
