Exploring asymmetric multifractal cross-correlations of price-volatility and asymmetric volatility dynamics in cryptocurrency markets
价格与波动之间的非对称关系是金融市场时间序列的一个显著特征。本文探讨了加密货币市场中的价格波动关系，并研究了上升趋势（牛市）和下降趋势（熊市）制度之间存在的非对称波动效应。传统的GARCH类模型表明，在加密货币市场中，波动对回报的不对称反应与其他传统金融资产不同。我们从分形分析的角度来解决这个问题，它可以涵盖非线性相互作用和自相似性在经济物理学领域广泛认可的属性。使用MF-ADCCA方法研究了2016年6月1日至2020年12月28日期间比特币（BTC），以太坊（ETH），瑞波币（XRP）和莱特币（LTC）价格与波动率之间的非对称交叉相关性，并通过非对称DCCA系数进行量化。该方法考虑到非线性和非对称多重分形标度特性，提供了新的见解，在调查中的动态方式的关系。我们发现，对于成熟的BTC和ETH来说，下跌趋势市场的交叉相关性比上涨趋势市场更强。相比之下，对于XRP和LTC，在上升趋势市场中交叉相关性更强的地方存在反向反应。
2021-06-23 q-fin.ST
Rough volatility: evidence from option prices
最近的研究表明，现货波动率可以很好地模拟粗糙随机波动率型动态。在这类模型中，对数波动率服从分数布朗运动，Hurst参数小于1/2。这一结果是使用历史价格数据的高频波动估计建立的。我们通过研究基于隐含波动率的现货波动率近似值来重新审视这一发现。使用短期标准普尔500指数的价值期权，我们能够确认波动性是粗略的。这里发现的赫斯特参数，顺序为0.3，略大于通常从历史数据中获得的。这很容易从平滑效应中解释，因为所考虑的期权的剩余到期时间。
2017-02-09 q-fin.MF q-fin.ST
Electricity Spot Prices Forecasting Using Stochastic Volatility Models
本研究采用随机波动率模型并引入外生回归变量，生成日前电力现货价格的概率预测，推导出比基线模型拟合度更好的丰富模型，样本外预测证实其稳健性，可用于对冲电力交易风险。
2024-06-09 q-fin.ST q-fin.TR
Volatility conditional on price trends
本文研究了过去价格行为对已实现波动率的影响。结果表明，趋势（漂移）价格导致增加（减少）已实现的波动。这种“趋势引起的波动”构成了一种新的程式化事实。过去的价格行为是由2个非重叠回报的乘积来衡量的，形式为r L [r]，其中L是滞后算子。使用美元/瑞士法郎外汇数据，在很大的时间范围内的效果进行了实证研究。一组的预测过程进行了修改，以包括趋势的影响，并比较其预测性能。对于一个更好的预测，它表明，主要因素是形状的记忆核（即幂律），和以下因素是包括趋势效应。
2005-01-28 cond-mat.other q-fin.ST
Inference on Self-Exciting Jumps in Prices and Volatility using High Frequency Measures
动态跳跃的价格和波动性的资产建模使用一个联合霍克斯过程结合一个双变量跳跃扩散。一个状态空间表示是用来连接观察到的回报，加上非参数的综合波动性和价格跳跃的措施，指定的模型组件，与贝叶斯推断进行使用马尔可夫链蒙特卡罗算法。相对于大量的替代模型，包括一些具有特色的文献中，所提出的模型的边际似然度的评价。使用1996年至2014年期间标准普尔500指数的数据进行了广泛的实证调查，并记录了动态跳跃强度的实质性支持-包括预测准确性方面。
2016-03-09 q-fin.ST stat.AP
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
An Intraday GARCH Model for Discrete Price Changes and Irregularly Spaced Observations
本文提出一种得分驱动的零膨胀Skellam日内GARCH模型，以处理高频价格的离散性、不规则间隔、同时交易及微观结构噪声，并在IBM股票实证中验证其拟合与波动率度量效果。
2024-05-08 q-fin.ST
Bitcoin Forecasting with Classical Time Series Models on Prices and Volatility
本文比较ARIMA、SARIMA、GARCH和EGARCH在比特币价格与波动率预测中的表现，发现ARIMA最适合短期价格动态，EGARCH最适合波动率建模，证明经典时间序列模型对比特币短期预测仍有价值。
2025-11-09 q-fin.ST
Volatilities That Change with Time: The Temporal Behavior of the Distribution of Stock-Market Prices
虽然波动率的使用在整个金融领域都很普遍，但我们确定股票瞬时波动率的能力才刚刚起步。在这里，我们提出了一种方法来衡量股票的时间行为，并表明，股票价格为24 DJIA股票遵循一个随机过程，描述了一个有效定价的股票，同时使用的波动率随时间的变化确定性。我们发现，经常观察到的，异常大的峰度是由于波动率的时间变化。我们的方法可以解决的波动性和漂移的股票一样快，一天使用每日收盘价的变化。
2010-07-29 q-fin.ST
Sanction or Financial Crisis? An Artificial Neural Network-Based Approach to model the impact of oil price volatility on Stock and industry indices
在本文中，我们模拟了国际制裁和制裁后两个时期的油价波动对德黑兰股票指数和工业指数的影响。为了分析研究的目的，我们使用了前馈神经网络。研究时间为2008年至2018年，分为国际能源制裁期间和制裁后两个时期。研究结果表明，前向神经网络对股票市场和行业指数的预测效果较好，说明油价波动对股票和行业指数有显著影响。在制裁后和全球金融危机期间，该模型对行业指数的预测效果较好。此外，油价-股票市场指数预测在国际制裁期间表现较好。这些结果对于金融市场分析师和政策制定者了解哪些因素以及何时影响金融市场具有一定的参考价值，特别是对于伊朗这样一个石油依赖型国家，在国际政治不确定的情况下。关键词：前馈神经网络，工业指数，国际能源制裁，油价波动，德黑兰股票指数
2020-09-11 q-fin.CP q-fin.ST
Range-Based Volatility Estimators for Monitoring Market Stress: Evidence from Local Food Price Data
Data Group, World Bank（世界银行数据组）
本文提出基于OHLC的波动性估计器，用于监测市场压力，通过分析本地食品价格数据，发现波动性能检测到标准指标遗漏的冲击，适用于金融风险、人道主义预警和贸易应用。
2026-03-03 econ.EM q-fin.ST stat.AP
Volatility: a hidden Markov process in financial time series
波动性表征了价格收益波动的幅度。它是金融中的一个中心量，与持有某种资产的风险密切相关。尽管它在交易大厅很受欢迎，但波动性是不可观察的，只有价格是已知的。扩散理论与波动率的研究有许多共同点，其相似之处在于波动率是价格收益随机游走的时间依赖扩散系数。我们提出了一个正式的程序来提取波动率的价格数据，通过假设它是由一个隐马尔可夫过程，连同价格形成一个二维扩散过程。我们得到了一个极大似然估计有效的一类广泛的二维扩散过程。选择指数Ornstein-Uhlenbeck（expanded）随机波动率模型在推断波动率的隐藏状态方面表现得非常好。该方法适用于道琼斯指数。主要结果如下：（i）估计波幅的分布为对数正态分布，与经验模型一致;（ii）估计波幅与成交量按$σ\propto V^{0.55}$形式的幂律关系;及（iii）未来回报与现时波幅成正比，显示未来回报的大小在一定程度上可予预测。
2007-07-27 physics.data-an physics.soc-ph q-fin.ST
Stock index futures trading impact on spot price volatility. The CSI 300 studied with a TGARCH model
一个TGSTMI模型被认为是最佳的基础上调查的影响，指数期货交易对现货价格波动。本文以沪深300指数为研究样本，对中国股市的波动性进行了实证分析。实证结果表明，沪深300指数期货交易的推出显著降低了相应现货市场的波动性。研究还发现，沪深300现货市场与CCSI-300-IF市场之间存在平稳的均衡关系。双向格兰杰因果关系也被检测到。“最后”，推断出现货价格在3或4个滞后日的时间跨度内预测的准确性更高。
2021-08-29 q-fin.GN q-fin.ST
Quantifying Volatility Reduction in German Day-ahead Spot Market in the Period 2006 through 2016
在欧洲，德国正在率先从传统能源转向可再生能源。这带来了新的挑战，因为风能和太阳能从根本上来说是间歇性的、依赖于天气且较难预测。因此，研究后过渡时期价格波动的演变具有相当大的意义。然而，有许多原因使实际研究变得困难。例如，EPEX价格可以为零或负数。因此，金融时间序列分析中改用对数计量的标准方法不适用。此外，与仅在交易日提供的股票市场价格不同，EPEX价格涵盖全年，包括周末和节假日。因此，数据中存在大量与波动性无关的潜在可变性，而只是反映了日活动模式。本工作的一个重要区别是应用矩阵分解技术，即奇异值分解（SVD），用于定义波动率的另一种概念。这种方法对异常值和昼夜模式系统地更鲁棒。我们的观察显示，最近几年，日前市场的波动性越来越小。
2018-07-19 cs.CE q-fin.ST
Short-term Volatility Estimation for High Frequency Trades using Gaussian processes (GPs)
Midlands State University（米德兰兹州立大学）
本文针对传统模型无法有效捕捉短期波动率的问题，提出结合数值市场预测（NMP）模型与高斯过程（GPs）进行高频交易短期波动率和回报预测，并使用审查GP建模价格与回报关系，有效评估了预测误差。
2023-11-18 cs.LG q-fin.ST stat.AP
Application of Hawkes volatility in the observation of filtered high-frequency price process in tick structures
本研究推导了适用于tick级价格动态的未标记和标记Hawkes模型方差公式，将Hawkes波动率应用于0.1秒间隔滤波的中间价过程，验证了其在实时风险管理中的可靠性和日内预测能力。
2024-09-21 q-fin.ST stat.CO
Stock price jumps: news and volume play a minor role
为了了解股票价格跳跃的起源，我们将股票收益率的高频时间序列与不同的新闻源进行交叉相关。我们发现，无论是特质性消息还是市场广泛的消息都不能解释价格跳跃的频率和幅度。我们发现，围绕跳跃和围绕消息的波动模式是完全不同的：跳跃之后是波动性增加，而消息往往是平均跟随较低的波动性水平。波动率松弛的形状在两种情况下也明显不同。最后，我们提供了直接的证据表明，大的交易量是_不_负责大的价格跳跃。我们推测，大多数价格跳跃是由接近流动性消失点的订单流波动引起的。
2008-03-12 physics.data-an physics.soc-ph 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
Homogeneous Volatility Bridge Estimators
本文提出了对数价格随机过程齐次波动率桥估计理论。我们的理论的主要工具是简约的编码信息包含在开放，高，低价格的不完全桥，对应于给定的日志价格随机过程，并在其接近的价值，对于一个给定的时间间隔。新提出的估计的效率是有利的Garman-Klass和帕金森估计相比。
2009-12-08 q-fin.CP q-fin.ST
The Physics of Price Discovery: Deconvolving Information, Volatility, and the Critical Breakdown of Signal during Retail Herding
Korea University（高丽大学）
本文通过反卷积与Hawkes过程分析，揭示了韩国股市中信息传递、波动性及从众行为对价格发现的影响，发现机构与个人流量在不同规模股票中的不同作用机制。
2026-02-24 q-fin.ST
There's more to volatility than volume
人们普遍认为，反映在交易数量上的交易量波动，以及在较小程度上反映在交易规模上的交易量波动，是集群波动的主要原因。在这种观点下，快速或缓慢的价格扩散反映了频繁或不频繁的交易的爆发，这导致了价格回报的聚集波动和厚尾。我们调查了这一假设，从纽约和伦敦证券交易所的滴答滴答数据，并表明只有一小部分的波动率波动，以这种方式解释。即使在总交易量或交易次数保持不变的时间间隔内记录价格变化，波动性仍然很大。此外，在交易量或交易频率保持不变的条件下，价格回报的分布与实时情况相似，这表明这两种情况都不是价格回报厚尾的主要原因。我们分析了Ane和Geman（2000）和Gabaix等人（2003）的最新结果，并讨论了他们的结论与我们的结论不同的原因。基于横截面分析，我们表明，长期记忆的波动性是由其他因素，而不是交易频率或总交易量。
2005-10-02 physics.soc-ph q-fin.ST
Long-term Memory and Volatility Clustering in Daily and High-frequency Price Changes
本文利用去趋势波动分析（DFA）研究了不同股票市场指数和汇率的长期记忆性。对于所有的日常和高频市场数据的研究，没有发现显着的长期记忆性质的收益率序列，而一个很强的长期记忆性质的波动率时间序列中被发现。分别利用反映短期记忆性的AR（1）模型和反映波动聚集性的GARCH（1，1）模型对收益率数据进行滤波，研究了长期记忆性的可能原因。值得注意的是，我们发现AR（1）滤波后的收益率和波动率时间序列中的记忆效应保持不变，而Gestion（1，1）滤波数据的波动率序列中的长期记忆特性消失或显著减弱。我们还发现，在高频数据的长期记忆性可能产生的波动聚类以及较高的自相关。我们的研究结果表明，长期记忆性的波动时间序列可以归因于在金融时间序列中观察到的波动聚类。
2006-07-29 physics.soc-ph q-fin.ST
From fair price to fair volatility: Towards an Efficiency-Consistent Definition of Financial Risk
本文提出以Hurst-Hölder指数度量的逐点正则性作为波动率的补充金融风险指标，量化价格动态对鞅行为的局部偏离，从而在有效市场理论与行为金融学之间建立效率一致的风险定义框架。
2025-08-02 q-fin.GN q-fin.ST
Microstructure Effects on Daily Return Volatility in Financial Markets
我们模拟了一系列的每日回报，从日内价格波动发起的微观结构元素。实证结果表明，日收益率和日收益率波动率具有一阶自相关性，但交易量和日收益率波动率不相关，而日内波动率相关。我们还考虑了日收益率序列中的甘精胰岛素效应，并表明使用日收益率的估计会受到价格水平的影响。相反，使用每日价格变化，我们发现了一个重要的甘精胰岛素成分的证据。这些结果表明，微观结构元素有相当大的影响返回生成过程。
2000-11-17 cond-mat.stat-mech q-fin.ST
Degree stability of a minimum spanning tree of price return and volatility
我们调查的程度的最小生成树的时间序列，通过使用相关性为基础的聚类过程，这是从（i）资产收益率和（ii）波动率的时间序列。通过计算固定长度$T$时间窗上时间序列之间的相关性，得到不同时刻的最小生成树。我们发现，资产收益率的最小生成树的特征在于股票度值，这是更稳定的时间比通过分析从波动性时间序列计算的最小生成树。我们的分析还表明，在这两种情况下，股票的程度有一个非常缓慢的动态与几年的时间尺度。
2002-12-14 cond-mat.stat-mech physics.soc-ph q-fin.ST
Impact of the COVID-19 pandemic on the financial market efficiency of price returns, absolute returns, and volatility increment: Evidence from stock and cryptocurrency markets
该研究分析股票与加密货币市场的收益率、绝对收益率和波动率增量，发现COVID-19对市场有效性的影响因市场和指标而异，并提示按疫情分段分析可能产生误导。
2025-04-26 q-fin.ST
Multiscaling and rough volatility: an empirical investigation
衍生品的定价可以追溯到著名的布莱克和斯科尔斯模型。然而，这样的建模方法是众所周知的，不能重现一些金融程式化的事实，包括波动的动态。因此，在金融数学领域，出现了一种新的范式--粗糙波动率模型，它将金融资产的波动动态表示为赫斯特指数很小的分数布朗运动，从而产生粗糙路径。与此同时，价格的时间序列已被证明是多尺度的，其特征在于不同的赫斯特标度指数。本文评估的相互作用，如果存在的话，价格多尺度和波动粗糙度，定义为（低）赫斯特指数的波动过程。特别是，我们进行了广泛的模拟实验，通过使用一个领先的粗糙波动率模型在文献中，粗糙Bergomi模型。为了检验粗波动率模型是否再现了相同的关系，还进行了真实数据分析。我们发现，该模型能够再现价格的时间序列的多尺度特性时，使用较低的值的赫斯特指数，但它不能再现真实数据说。事实上，我们发现价格的多尺度和波动过程的赫斯特指数之间的依赖关系与我们在真实数据中发现的完全相反，即两者之间的负相互作用。
2022-01-25 q-fin.RM q-fin.ST
Unravelling the Asymmetric Volatility Puzzle: A Novel Explanation of Volatility Through Anchoring
本文基于锚定行为模式对波动非对称性进行了新的解释。作为一种启发式偏差，投资者关注最近的价格变化和价格水平，这两个因素分别导致了对持续趋势和均值回归的信念。实证结果通过分析标准普尔500指数的大幅波动及其对隐含波动率和已实现波动率的影响支持了我们的理论解释。这些结果表明，冲击和波动之间的不对称性（负相关）在随后的时期确实存在。此外，与以往的研究相反，我们的实证检验还表明，隐含波动率不是简单的向上偏置预测未来偏差补偿波动率的方差，而是由于投资者系统锚定的损失和收益，在他们的波动率预测，这是一个共整合但不对称的高估/低估的金融工具。我们还提供的结果表明，中期隐含波动率（VIX指数衡量）是一个无偏的，但效率低下的估计已实现波动率，而相反，短期波动率（最近推出的VXST指数代表9天隐含波动率衡量）也是无偏的，但有效的。
2016-06-11 q-fin.PR q-fin.ST
Time-varying volatility in Bitcoin market and information flow at minute-level frequency
本文通过广义自回归条件异方差（GARCH）族统计模型分析了比特币市场上分钟价格收益率的时间序列。在金融学中已经提出了几个数学模型来模拟价格回报的动态，每个模型都引入了不同的视角来研究这个问题，但没有一个是没有缺点的。我们结合了一种方法，使用历史价值的回报和他们的波动率-Gesthem家族的模型，与所谓的“混合分布假说”，它指出，价格回报的动态是由有关市场的信息流。使用比特币相关推文的时间序列和交易量作为外部信息，我们测试了几个GARCH模型变体在分钟级别的比特币价格时间序列上的波动率预测的改进。统计检验表明，最简单的GARCH（1，1）的反应最好的外部信号的添加模型的波动过程的样本外数据。
2021-01-28 q-fin.ST
A Horserace of Volatility Models for Cryptocurrency: Evidence from Bitcoin Spot and Option Markets
我们使用比特币现货价格序列测试各种波动率模型。我们的模型包括HIST、EMA、GISTRY和EGISTRY模型。我们的样本内拟合和样本外预测结果都表明，GARCH和EGARCH模型比其他模型表现得更好。此外，EGBTC模型的非对称项为正且不显著，这表明比特币价格缺乏对过去回报的非对称波动性反应。最后，我们利用期权的隐含波动率与GARCH波动率预测之间的波动率差，制定了一个期权交易策略。我们发现，一个简单的波动率价差交易策略与德尔塔对冲可以产生强大的利润。
2020-10-04 q-fin.ST
Most Efficient Homogeneous Volatility Estimators
我们提出了一个全面的理论齐次波动率（和方差）估计的任意随机过程，充分利用OHLC（开，高，低，关闭）的价格。为此，我们开发了最有效的逐点齐次OHLC波动率估计，适用于任何价格过程的理论。我们引入了“准无偏估计”，它可以解决任何类型的理想约束。我们的理论的主要工具是简约编码的所有信息中包含的OHLC价格为一个给定的时间间隔的形式的联合分布的高-开，低-开和关闭-开值，其解析表达式推导出正是维纳过程的漂移。可以计算分布以产生与基础对数价格随机过程的任何统计特性相关联的最有效的估计。应用到维纳过程的日志价格漂移，我们提供了明确的解析表达式的最有效的逐点波动率和方差估计，基于高负开，低负开和关闭负开值的联合分布的解析表达式。与Garman-Klass、Roger-Satellite和极大似然估计相比，新估计的效率更高。
2009-08-12 q-fin.RM q-fin.ST
Modeling Volatility and Dependence of European Carbon and Energy Prices
University of Duisburg-Essen（杜伊斯堡-埃森大学）；TU Dortmund University（多特蒙德工业大学）；RWI -- Leibniz Institute for Economic Research（RWI——莱布尼茨经济研究所）
我们研究了欧洲排放配额（EUA）的价格，从而分析其不确定性和对相关能源价格（天然气，煤炭和石油）的依赖性。我们提出了一个概率多变量条件时间序列模型与VECM-Copula-Gestrian结构，利用数据的关键特性。数据相对于通货膨胀和碳排放进行了标准化，以便进行适当的跨系列评估。预测性能进行了评估，在一个广泛的滚动窗口预测研究，覆盖8年的样本。我们讨论了我们的调查结果的水平和对数转换的数据，专注于随时间变化的相关性，并鉴于俄罗斯入侵乌克兰。
2023-02-10 cs.LG econ.EM q-fin.ST
Volatility of Volatility and Leverage Effect from Options
本文基于短期期权高频数据，提出无模型非参数估计量以识别波动率的波动率及杠杆效应，并构造无需预知主导误差来源的可行推断方法。
2024-01-23 econ.EM math.ST q-fin.MF
Do price and volatility jump together?
我们考虑一个过程$X_t$，它在有限时间间隔$[0,T]$上、离散时间上观察到$0,Δ_n,2Δ_n,\ldots.$该过程是一个具有随机波动率的Itôsemimartingale $σ_t^2$。假设$X$在$[0,T]$上有跳跃，我们推导出检验来决定波动过程是否有跳跃与$X_t$的跳跃同时发生。对于两个可能的零假设（共同跳跃或不相交跳跃），有两个不同的检验族。当网格$Δ_n$变为$0$时，它们具有规定的渐近水平。我们在一些模拟中表明，即使在有限样本的情况下，这些测试也表现得相当好，我们也将它们用于标准普尔500指数数据。
2010-10-21 math.PR q-fin.ST
A Stochastic Feedback Model for Volatility
金融时间序列表现出许多有趣的特性，这些特性很难用简单的模型来解释。这些属性包括价格波动（或回报）分布中的厚尾（fat-tail），这些厚尾在较长的时间尺度上会慢慢消失，绝对回报具有强自相关性，但回报本身具有零自相关性，以及多重分形标度。虽然这些特征的根本原因尚不清楚，但越来越多的证据表明它们起源于波动性行为，即，价格波动幅度的行为。在本文中，我们提出了一个反馈机制的波动，密切再现的非平凡性质的经验价格。该模型是简约的，只包含两个参数，很容易估计，更好地拟合经验数据比标准模型，并可以接地在一个简单的框架，波动率波动驱动的估计误差的外生泊松率。
2013-11-17 q-fin.GN q-fin.ST
Mitigating Distribution Shift in Stock Price Data via Return-Volatility Normalization for Accurate Prediction
Seoul National University（首尔国立大学）
针对股价训练与测试数据的分布偏移问题，提出 ReVol，通过收益-波动率归一化、注意力估计及特征还原，并结合几何布朗运动与神经网络，显著提升骨干模型的 IC 和 SR。
2025-08-29 cs.LG q-fin.ST
Modeling Price Clustering in High-Frequency Prices
价格集群现象表现为特定价格出现的增加，在各种金融工具和市场中得到广泛观察和充分记录。然而，在文献中，它很少被纳入价格模型。我们认为，有几种类型的代理商只在特定倍数的最小价格变动单位交易，导致这些倍数的价格出现增加。例如，纽约证券交易所和纳斯达克交易所的股票交易精确到1美分，但5美分和10美分的倍数更经常出现在价格中。为了捕捉这种行为，我们提出了一个离散的价格模型的基础上的混合物的双泊松分布与动态波动率和动态比例的代理类型。该模型是由最大似然法估计。在对道琼斯工业平均指数股票的实证研究中，我们发现，较高的瞬时波动率导致较弱的价格聚集在超高频。这与低频率的结果形成鲜明对比，低频率的结果表明，每日已实现波动率对价格聚集有积极的影响。
2021-03-31 q-fin.ST
Universal Behavior of Extreme Price Movements in Stock Markets
许多研究假设股票价格遵循一个称为几何布朗运动的随机过程。虽然这个模型大致正确，但它无法解释极端价格波动的频繁发生，如股票市场崩盘。使用从三个不同的股票市场收集的大量数据，我们提出的证据表明，随机模型的修改-添加一个缓慢的，但显着的，波动的标准差的过程-准确地解释了不同大小的价格变化的概率，包括极端运动的相对较高的频率。此外，我们表明，这一过程是类似的股票，使其价格波动的特点是由一个单一的曲线。由于价格波动的行为是植根于波动的特点，我们希望我们的结果带来更多的兴趣，随机波动率模型，特别是那些可以产生的波动率的属性在这里报告。
2009-12-30 q-fin.ST
Multimodal deep learning for short-term stock volatility prediction
University of York（约克大学）
股票市场波动率预测是一项与评估市场风险相关的任务。我们使用最先进的深度学习方法研究了新闻和价格之间的相互作用，以进行一天前的波动预测。所提出的模型是端到端或使用从其他任务转移的句子编码器进行训练的。我们评估了广泛的股票市场行业，即消费必需品、能源、公用事业、医疗和金融行业。我们的实验结果表明，添加新闻改善了波动率预测相比，只依赖于价格数据的主流模型。特别是，我们的模型在决定系数$R^2$，$MSE$和$MAE$方面优于广泛认可的所有部门的GARCH（1，1）模型，在从新闻和价格数据进行训练时实现了最佳性能。
2018-12-25 cs.CL cs.LG q-fin.RM
Coronavirus and oil price crash
新型冠状病毒（COVID-19）造成恐惧和不确定性，打击全球经济并放大金融市场波动。油价对COVID-19的反应逐渐适应，直到2020年3月9日，在世界卫生组织（WHO）发布首份冠状病毒监测报告49天后，沙特阿拉伯向市场供应大量石油。因此，国际价格在一天内下降了20%以上。在此背景下，本文旨在研究COVID-19数字对原油价格的影响，同时控制金融波动和美国经济政策不确定性的影响。我们的ARDL估计显示，COVID-19每日报告的新感染病例对原油价格的长期负面影响甚微。尽管如此，COVID-19扩大了金融市场的波动，对近期原油价格走势也产生了间接影响。
2020-03-20 q-fin.CP q-fin.ST
A filtering approach to tracking volatility from prices observed at random times
研究了具有随机波动率的资产价格模型中系数的非线性滤波问题。更具体地说，我们假设资产价格过程$ S=(S_{t})_{t\geq0} $由\[ dS_{t}=r(θ_{t})S_{t}dt+v(θ_{t})S_{t}dB_{t}, \]给出，其中$B=(B_{t})_{t\geq0}$是布朗运动，$v$是正函数，$θ=(θ_{t})_{t\geq0}$是cádlág强马尔可夫过程。随机过程$θ$是不可观测的。我们还假设资产价格$S_{t}$仅在随机时间$0<τ_{1}<τ_{2}<....$被观察到。这是在对高频金融数据建模时的适当假设（例如，tick-by-tick股票价格）。在上述设置中，$θ$的估计问题可以作为具有由多变量点过程$(τ_{k},\log S_{τ_{k}})$生成的测量的特殊非线性滤波问题来处理。虽然很自然，但这个问题不适合标准扩散或简单点过程过滤框架，需要更多的技术工具。基于$(τ_{k},\log S_{τ_{k}})_{k\geq1}$的观测结果，推导出$θ_{t}$的封闭形式的最优递归贝叶斯滤波器.事实证明，滤波器是由一个递归系统，只涉及确定性的柯尔莫哥洛夫型方程，这应该使数值实现相对容易。
2005-09-22 math.PR q-fin.ST
Prediction of Cryptocurrency Prices through a Path Dependent Monte Carlo Simulation
本文针对加密货币价格，在 Merton 跳跃扩散模型中结合机器学习、传统与统计方法估计漂移、波动及跳跃项，并提出路径依赖 Monte Carlo 模拟以捕捉波动和突发跳跃。
2024-04-10 math.PR q-fin.ST
Stochastic volatility modeling of high-frequency CSI 300 index and dynamic jump prediction driven by machine learning
对中国金融市场沪深300指数价格时间序列进行随机过程建模，分析了日内高频价格数据的波动特征。在新的广义Barndorff-Nielsen-Shephard模型中，考虑了市场信息不对称所带来的滞后性，解决了长期相关性不足的问题。为了加快估值过程，我们使用了几种机器学习和深度学习算法来估计参数和评估预测结果。跟踪不同幅度的历史跳跃为模拟动态价格过程和预测未来跳跃提供了有希望的途径。数值结果表明，随机波动率过程中的确定性成分总是可以在短期和长期窗口中被捕获。研究发现可能适用于有兴趣预测基于已实现波动率的市场动态的影响投资者和监管机构。
2023-01-03 q-fin.MF 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
Emergence of long memory in stock volatility from a modified Mike-Farmer model
基于订单驱动市场中的连续双向拍卖机制构建了Mike-Farmer（MF）模型，该模型能够在交易水平上成功地再现收益率立方定律和股票价格的扩散行为。然而，MF模型中的波动性（定义为绝对收益）并没有表现出良好的长记忆。我们提出了一个修正版本的MF模型，包括一个新的成分，即长记忆的侵略性（量化的相对价格）的传入订单，这是一个重要的程式化的事实，通过分析23个流动性中国股票的订单流。修正的MF模型合成的波动率具有长记忆性，DFA标度指数接近0.76，收益率的立方律和价格的扩散行为也同时产生。我们还发现指令符号的长记忆性对波动率的长记忆性没有影响，指令攻击性的记忆效应对股价的扩散性影响很小。
2009-05-13 physics.soc-ph q-fin.ST
Maximum entropy distribution of stock price fluctuations
套利机会不存在原则允许通过最大化信息熵来获得股票价格波动的分布。这导致的物理描述的基本动态随机游走的特点是随机扩散系数和约束到一个给定的预期波动率值，以这种方式考虑到期权市场的存在所提供的信息。通过与观测到的价格收益率和扩散系数分布的综合比较，验证了该模型的有效性。预期波动率是模型中唯一的参数，可以通过分析期权价格获得。我们给出了一个解析公式的概率密度函数的价格收益，可用于提取预期波动率的股票期权数据。这种分布具有很高的实际意义，因为在处理衍生金融合约定价问题时，它应该优于高斯分布。
2013-10-30 physics.data-an q-fin.ST
Volatility Forecasting with 1-dimensional CNNs via transfer learning
波动率是金融中的一种自然风险度量，因为它量化了股票价格的变化。在金融数学中经常考虑的问题是预测波动率的不同估计。使用深度学习方法预测波动性的前景是，股票价格回报满足一些常见的属性，称为“程式化事实”。此外，使用的数据量可能很高，有利于神经网络的应用。我们使用了数百只频繁交易的股票10年的每日价格，并比较了不同的CNN架构：一些网络只使用考虑的股票，但我们尝试了一种结构，用于训练，使用更多的序列，但不是考虑的股票。从本质上讲，这是迁移学习的一个应用，在预测误差方面，它的性能要好得多。我们还比较了我们的扩张因果CNN的经典ARIMA方法使用自动模型选择程序。
2020-09-07 q-fin.CP q-fin.ST
Leverage Causes Fat Tails and Clustered Volatility
我们建立了一个简单的杠杆资产购买模型。投资基金使用的也许是最基本的金融策略，称为“价值投资”，即系统地试图购买定价过低的资产。当资金不借入时，资产的价格波动是正态分布的，在不同时间之间不相关。当基金被允许杠杆化，即从银行借款，购买超过其财富所允许的更多资产时，所有这些都发生了变化。在景气时期，竞争会驱使投资者转向使用更多杠杆的基金，因为它们的利润更高。随着杠杆的增加，价格波动变得重尾，并显示出集群波动，类似于在真实市场中观察到的情况。以前对肥尾和聚集波动的解释依赖于“非理性行为”，比如趋势跟踪。相反，这是因为杠杆限制导致基金在市场下跌时出售：一家谨慎的银行通过限制杠杆来使自己在当地更安全，所以当基金超过杠杆限制时，它必须通过出售资产来偿还部分贷款。不幸的是，当价格已经下跌时，这种情况有时会同时发生在所有基金上。由此产生的非线性反馈放大了价格的大幅下行。在极端情况下，这会导致崩溃，但其影响在每个时间尺度上都可以看到，产生价格扰动的幂律。一个标准的（应该是更复杂的）风险控制政策，即个别银行根据波动性设定杠杆限制，导致杠杆在波动性低的时期上升，而在波动性高的时候收缩得更快，使这些极端波动变得更糟。
2010-01-10 physics.soc-ph q-fin.RM q-fin.ST
Joint analysis and estimation of stock prices and trading volume in Barndorff-Nielsen and Shephard stochastic volatility models
我们引入了Barndorff-Nielsen和Shephard随机波动率模型的一个变体，其中非高斯Ornstein-Uhlenbeck过程描述了交易强度的一些度量，如交易量或交易次数，而不是不可观察的瞬时方差。在一个非扩散但允许跳跃的二元模型中，我们基于鞅估计函数给出了一个显式估计。假设这两个量都是在固定宽度的离散网格上观测的，并且观测视界趋于无穷大。我们证明了估计量是相合的和渐近正态的，并给出了渐近协方差矩阵的显式表达式。我们的方法是通过有限样本实验和统计分析，在纽约证券交易所（NYSE）的国际商业机器公司（IBM）的股票和微软公司（MSFT）的股票在纳斯达克上市的五年的历史。
2008-10-13 math.PR math.ST q-fin.ST
