Volatility Spillovers and Heavy Tails: A Large t-Vector AutoRegressive Approach
波动率是财务分析中衡量风险的关键指标。今天一种金融资产的高波动性可能会影响明天另一种资产的波动性。这些波动之间的滞后影响-我们称之为波动溢出-使用向量自回归(VAR)模型进行了研究。我们考虑到可能的厚尾分布的VAR模型误差使用VAR模型的误差以下的多元学生t-分布与未知的自由度。此外,我们研究了大量资产之间的波动溢出。为此,我们使用惩罚估计的VAR模型的t分布误差。我们研究了能源、生物燃料和农产品之间的波动溢出,揭示了能源和生物燃料之间以及能源和农产品之间的双向波动溢出。
2017-08-07 q-fin.ST
The Variable Volatility Elasticity Model from Commodity Markets
在本文中,我们提出并研究了一个新的连续时间模型,著名的常数方差弹性(CEV)模型的基础上,来描述资产价格过程。其基本思想是,从随机分析的角度来看,CEV模型的波动弹性不能被视为常数。针对这一问题,本文从波动弹性的角度推导了资产价格过程,提出了常数波动弹性(CVE)模型,并进一步推导出更一般的变波动弹性(VVE)模型。此外,我们的模型可以描述商品市场波动与资产价格之间的正相关关系,而CEV模型只能描述商品市场波动与资产价格之间的负相关关系。通过对金融市场的实证研究发现,很多资产尤其是商品在某些时间段往往表现出这种正相关现象,这说明我们的模型具有较强的实际应用价值。最后,给出了基于该模型的欧式期权的显式定价公式。该公式形式优美,计算方便,与著名的Black-Scholes公式相似,对衍生品市场的研究具有重要意义。
2022-03-17 q-fin.CP q-fin.GN q-fin.MF
Asset returns and volatility clustering in financial time series
对金融时间序列中的程式化事实进行了分析。我们发现,而不是在资产收益率分布的厚尾,在绝对收益率的自相关函数的缓慢衰减行为,实际上是直接相关的程度集群内的大波动的金融时间序列。我们还引入了一个指数来定量衡量这些时间序列中波动的聚集行为,并表明金融市场的大损失通常比大收益更严重。通过实例分析表明,与传统方法相比,该指数能够从金融时间序列中提取更多的信息。
2011-04-09 physics.soc-ph 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
On the universality of the volatility formation process: when machine learning and rough volatility agree
Ecole Polytechnique(巴黎综合理工学院);Exoduspoint Capital Management(Exoduspoint资本管理公司)
我们训练了一个基于由数百只流动股票组成的池化数据集的LSTM网络,旨在预测所有股票的下一个每日已实现波动率。显示出这种通用LSTM相对于其他资产特定参数模型的一致表现,我们发现了跨资产的通用波动率形成机制的非参数证据,这些资产将过去的市场实现(包括每日回报和波动率)与当前波动率联系起来。将粗糙分数随机波动率和二次粗糙赫斯顿模型与固定参数相结合的简约参数预测设备,其性能与通用LSTM相同,这从参数角度证实了波动率形成过程的普遍性。
2022-06-28 cs.LG q-fin.CP q-fin.RM
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
A Comparison of Cryptocurrency Volatility-benchmarking New and Mature Asset Classes
本文利用2020–2022年高频面板数据并结合自回归模型,比较加密货币与股票的波动驱动机制,揭示新兴加密货币市场的结构性差异。
2024-04-07 q-fin.CP q-fin.ST
FuNVol: A Multi-Asset Implied Volatility Market Simulator using Functional Principal Components and Neural SDEs
University of Toronto(多伦多大学);Riskfuel Analytics
本文提出FuNVol,一种结合函数主成分与神经随机微分方程的多资产隐含波动率市场模拟器,通过概率积分变换惩罚减少模型误设,生成无静态套利且与历史一致的曲面,并验证对冲损益的准确性。
2023-12-26 cs.LG q-fin.CP q-fin.ST
Capital Asset Pricing Model with Size Factor and Normalizing by Volatility Index
University of Nevada, Reno(内华达大学里诺分校)
本文在CAPM中引入规模效应,并用波动率指数归一化收益率,构建包含波动率、相对规模和CAPM的离散时间模型,通过实际数据拟合证明长期稳定性,并与随机投资组合理论关联。
2026-06-11 math.PR q-fin.MF q-fin.ST
The Effect of COVID-19 on Cryptocurrencies and the Stock Market Volatility -- A Two-Stage DCC-EGARCH Model Analysis
本研究采用两阶段DCC-EGARCH模型及VaR、CFVaR度量,分析COVID-19对加密货币与全球股市波动率的溢出效应,证实了显著长短期溢出及不同资产的风险表现差异。
2023-07-18 q-fin.RM q-fin.ST
Liquidity Premium, Liquidity-Adjusted Return and Volatility, and Extreme Liquidity
本文提出创新的流动性溢价度量与流动性调整的收益及波动率,针对极端流动性资产构建了流动性调整的ARMA-GARCH/EGARCH模型,并证明其在极端流动性下优于传统模型且获实证支持。
2024-02-17 q-fin.CP q-fin.GN q-fin.PM
Mean-Reverting Portfolios: Tradeoffs Between Sparsity and Volatility
均值回归资产是金融市场的圣杯之一:如果存在这样的资产,它们将为任何能够交易它们的投资者提供微不足道的盈利投资策略,这要归功于这些资产围绕其长期均值可预测地波动的知识。基于协整的交易策略[Tsay,2005,§8]的操作方式是首先创建一个资产组合,其总价值均值回复,当其价值偏离其长期均值时,通过卖空或买入该组合来利用这一知识。这种投资组合通常使用协整理论的工具[Engle和Granger,1987,Johansen,1991]来选择,其目的是检测平稳的资产组合,因此均值回归。我们认为,在这项工作中,专注于平稳性可能不足以确保盈利的协整为基础的战略。虽然有可能使用大量金融资产来合成一个组合,该组合的总价值是固定的,因此是均值回复的,但交易这样一个大的组合在实践中会产生重要的交易或借款成本。寻找由许多资产形成的固定投资组合也可能导致具有非常小的波动性的投资组合,并且需要显著的杠杆才能盈利。在这项工作中,我们研究的算法方法,可以采取减轻这些影响,通过搜索最大的均值回复的组合,这是足够稀疏和/或波动。
2015-09-20 q-fin.ST stat.AP
Scale matters: The daily, weekly and monthly volatility and predictability of Bitcoin, Gold, and the S&P 500
比特币作为一种金融资产的出现伴随着高波动性的名声。本文旨在对这种声誉进行细微的调整,并澄清我们对比特币波动性的理解。使用2014年9月至2021年1月的每日、每周和每月收盘价和日志回报数据,我们发现比特币是两种波动性概念存在分歧的资产的一个典型例子。我们发现,从历史上看,比特币与黄金和标准普尔500指数相比,具有高波动性(高标准差)和高可预测性(低近似熵)。此外,利用极值理论的工具,我们分析了矩的收敛性,以及三种资产的收盘价和对数收益率的平均超额函数。我们发现,当另外两种资产(黄金和标准普尔500指数)的收盘价呈现薄尾分布时,比特币的收盘价符合广义帕累托分布。然而,所有三种资产的回报都是重尾的,二阶矩(方差,标准差)不收敛。在比特币的情况下,较低的采样频率(每月与每周,每周与每日)大大降低了对数回报的峰度,并增加了经验矩向其真实值的收敛。黄金和S&P 500的影响相反。这些特性表明,比特币的波动性本质上是一种日内和周内的现象,在每周的时间尺度上强烈衰减,使其成为投资者和投机者有吸引力的价值储存,但其高标准差排除了其使用货币。
2021-02-28 cs.IT math.IT q-fin.ST
Adaptive Market Intelligence: A Mixture of Experts Framework for Volatility-Sensitive Stock Forecasting
本研究提出一种结合RNN与线性回归的混合专家框架,通过波动感知门控机制动态加权专家贡献,在30只美股数据上对波动资产和稳定资产的MSE分别提升33%和28%,验证了自适应架构在跨波动机制股票预测中的优势。
2025-07-22 econ.EM q-fin.ST
An empirical test for Eurozone contagion using an asset-pricing model with heavy-tailed stochastic volatility
本文对2008-2011年动荡时期欧洲股市的金融传染进行了实证检验。我们的分析表明,传统的高斯和高斯随机波动模型无法解释两个关键的程式化特征的全球市场在假定的传染期:冲击总的市场波动可能是突然的和爆炸性的,它们与特定的方向偏差的横截面的国家层面的回报。我们的模型通过假设波动率的随机冲击是重尾的,并且相互之间以及与收益之间都是横截面相关的来弥补这一缺陷。我们的分析的基本结论是,非常小心,需要在建模波动,如果一个人希望描述的波动和传染之间的关系,是由经济理论预测。在分析日常数据,我们发现在2010年5月和2011年8月的主要欧盟危机期间,传染效应的证据,其中传染被定义为过剩的相关性,从一个因子模型,结合全球和区域市场风险因素的残差。这种过度相关性可以通过量化冲击对预期收益率横截面中总体波动性的影响来解释--但事实证明,只有在极其仔细地解释这些冲击的爆炸性本质的情况下。我们发现,全球市场对这些冲击具有随时间变化的横截面敏感性,高敏感性强烈预测金融危机的时期。此外,波动率和收益率之间的相关性结构的时间变化模式很容易解释为有关时期的重大事件。
2012-03-26 q-fin.ST stat.AP
Vast Volatility Matrix Estimation using High Frequency Data for Portfolio Selection
Fan et al(2008)证明,在总暴露约束下的投资组合分配是一种有效的方法,可以提高大量资产中选定投资组合的效率和稳定性。所需的高维波动率矩阵可以通过使用高频金融数据来估计。这使得我们能够更好地适应大量资产之间的局部波动率和局部相关性,并显着增加估计波动率矩阵的样本量。本文从投资组合的角度研究了高维高频数据下波动率矩阵的估计问题。具体而言,我们提出了使用Barndorff-Nielsen等人(2008)提出的“成对刷新时间”和“全刷新时间”方法来估计巨大的协方差矩阵,并比较了它们在投资组合选择中的优点。我们还建立了估计值的集中不等式,保证了在总暴露约束下的大规模资产配置中估计的波动率矩阵具有理想的性质。通过精心设计的模拟进行了广泛的数值研究。与基于低频日数据的方法相比,该方法能够捕捉到时变波动率和相关性的最新趋势,从而为下一时段的投资组合配置提供更准确的指导。在我们的模拟和实证研究中,使用高频数据的优势是显着的,其中包括50个模拟资产和道琼斯工业平均指数的30只成分股。
2010-04-28 math.ST q-fin.PM q-fin.ST
Forecasting Realized Volatility with Time Series Foundation Models: A Comparison with Econometric Benchmarks
Duke University(杜克大学)
研究预训练时间序列基础模型能否改进已实现波动率预测的计量经济学基准。通过对多种模型在多资产多预测期测试比较,发现基础模型优势集中于少数资产,简单平均模型表现良好,选对模型架构更重要。
2026-07-07 econ.EM q-fin.ST
Conditional correlation in asset return and GARCH intensity model
在资产收益序列中,当前收益率与过去波动率之间存在条件非对称依赖关系,依赖于当前收益率的符号。考虑到条件的不对称性,我们引入了新的模型,资产收益率的动态,其中的频率的向上和向下的移动的资产价格有条件独立的泊松分布的随机强度。强度被假定为Gestival类型的随机递归方程,以捕捉波动率聚集和杠杆效应。我们提供了一个重要的联系,我们的模型和现有的Gestival,解释如何应用最大似然估计来确定强度模型中的参数,并显示与标准普尔500指数收益率序列的实证结果。
2013-11-20 q-fin.ST
Inferring Volatility in the Heston Model and its Relatives -- an Information Theoretical Approach
随机波动率模型将资产价格$S_t$描述为由捕捉波动率的随机动态$σ_t$的未观察过程驱动。在这里,我们量化有多少信息$σ_t$可以推断出从资产价格$S_t$香农的互信息$I(S_t : σ_t)$。这激发了仔细的数值和分析研究的赫斯顿模型的信息论性质。此外,我们还研究了从机器学习角度出发的一类离散时间模型。在所有情况下,我们发现一个很大的不确定性波动率估计相当基本的信息理论的原因。
2015-12-28 q-fin.CP q-fin.MF q-fin.ST
Semiparametric Conditional Quantile Models for Financial Returns and Realized Volatility
本文研究了金融资产未来收益率和波动率的条件分位数如何随着资产价格的事后变化以及期权-隐含波动率的不同度量而变化。我们工作在灵活的分位数回归框架,并依赖于最近开发的无模型的综合方差,上下半方差和跳跃变化的措施。我们对标普500和WTI原油期货合约的研究结果表明,简单的线性分位数回归的回报和异质分位数自回归的已实现波动率表现非常好,在捕捉各自的条件分布的动态,无论是在绝对值,以及相对于一对夫妇的成熟的基准模型。因此,该模型可以作为有用的风险管理工具,为投资者交易的期货合约本身或各种衍生品合约的已实现波动率。
2013-08-20 q-fin.PM q-fin.ST
A nonparametric test for rough volatility
本研究提出一种基于即期波动率估计增量样本自协方差的非参数检验,可判断资产波动率为半鞅过程还是粗糙过程,该检验具稳健性,对SPY数据的应用支持粗糙波动率结论。
2024-07-15 econ.EM math.ST q-fin.MF
Decoupling the short- and long-term behavior of stochastic volatility
本文引入了一类新的资产价格随机波动率的连续时间模型。该模型可以同时考虑粗糙性和缓慢衰减的自相关性,包括适当的长记忆,这是两个程式化的事实,经常发现在波动数据。我们的主要模型是基于所谓的布朗半平稳过程,我们推导出这个过程的一些理论性质,相关的波动率建模。应用模型的已实现波动率的措施,涵盖了大量的资产,我们发现的证据与假设一致,即时间序列的已实现的波动率的措施是粗糙的,非常持久的。最后,我们说明了广泛的预测研究中的模型的效用,我们发现,本文提出的模型优于各种各样的基准相当,这表明它的回报,利用粗糙度和持久性在波动率预测。
2021-01-05 q-fin.MF q-fin.ST
Minimizing volatility increases large risks
我们引入了一个忠实的代表性的重尾多元分布的资产收益率,作为简约的高斯框架。使用计算技术的功能集成和费曼图借用粒子物理学,我们精确地描述,通过其高阶累积量,财富变化的分布组成的任意混合资产的投资组合。最小化方差的投资组合,即相对较小的风险,通常会增加较大的风险,这是由较高的归一化累积量和风险价值来衡量的。
1998-11-19 cond-mat.stat-mech q-fin.ST
Multivariate volatility models
资产回报之间的相关性在许多金融应用中很重要。近年来,多元波动模型被用来描述相关性的时变特征。然而,维数灾难很快成为一个问题,因为对于$k$资产,相关性的数量是$k(k-1)/2$。在本文中,我们回顾了一些常用的多元波动模型,并提出了一个简单的方法,是简约的,并满足正定的时变相关阵的约束。最后通过实例对模型进行了验证。
2007-02-27 math.ST q-fin.ST stat.TH
Risk-dependent centrality in the Brazilian stock market
本文的目的是计算巴西股票市场的风险依赖中心性。我们计算了2008年1月至2020年6月在巴西股票市场交易的资产在不同外部风险水平下的RDC。我们观察到,基于RDC的资产排名取决于外部风险。排名的波动性与危机事件有关,反映了最近的巴西经济政治危机。此外,我们还发现基于RDC的资产排名的平均波动率与股票市场的平均日收益率之间存在负相关关系。这与危机时期排名波动性更大的假设是一致的。
2021-03-10 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
Representation of probability distributions with implied volatility and biological rationale
经济学和金融学的理论和实践本质上是处理不确定的未来。人类在不同的活动中会遇到不确定性,从感觉运动控制到金融市场的动态,这一直是广泛研究的主题。用正态或对数正态分布表示不确定性是许多研究的共同特征。例如,在著名的Black-Scholes-Merton(BSM)模型中,提出了大脑中高斯多感官输入的贝叶斯积分或未来资产价格的对数正态分布。在BSM模型中,以时间的平方根为尺度的对数(未来资产价格)的标准差称为隐含波动率。实际上,log(未来资产价格)不是正态分布的,交易者会考虑这一点以避免损失。尽管如此,在波动率不变的假设下推导出的BSM公式仍然是金融市场中期权定价的主要统一框架。我认为,BSM公式如此受欢迎的原因之一可能是它能够将用隐含波动率衡量的不确定性转化为价格,这种方式与人类测量不确定性的直觉是相容的。本文研究了不确定性与BSM隐含波动率之间的数学关系。一些常见的概率分布的例子。总体而言,这项工作提出,代表各种概率分布的BSM隐含波动率配置文件可能是有意义的生物和金融世界。文中提供了必要的金融数学背景。
2021-09-25 math.PR q-bio.NC q-fin.ST
Empirical asset pricing with nonlinear risk premia
在本文中,我们介绍了一个简单的连续时间资产定价框架,一般多维扩散过程的基础上,结合半解析定价与非线性规格的市场价格的风险。我们的框架保证了弱解的非线性SDES的物理措施下的存在性,从而允许工作与非线性模型的现实世界中的动态文献中没有考虑到目前为止。它出现的额外的灵活性,在时间序列建模是计量经济学相关的:一个非线性随机波动率扩散模型的联合时间序列的标准普尔100指数和VXO隐含波动率指数数据显示出优越的预测能力超过标准规格的隐含和实现的方差预测。
2009-11-04 q-fin.PR q-fin.ST
VOLatility Archive for Realized Estimates (VOLARE)
DiSIA, University of Florence, Italy(佛罗伦萨大学 DiSIA);Department of Economics, University of Messina, Italy(墨西拿大学经济学系);NYU in Florence(纽约大学佛罗伦萨分校);Department of Social and Economic Sciences, Sapienza University of Rome, Italy(罗马智慧大学社会与经济科学系);CRENoS
VOLARE提供标准化的实现波动率和协方差度量,支持跨资产的可比性分析和实时波动率模型估计。
2026-02-23 q-fin.ST
Option pricing with non-Gaussian scaling and infinite-state switching volatility
波动率聚集、长期相关和非高斯标度是金融资产动态的典型事实。它们在Black & Scholes框架中被忽略,但对金融资产期权的定价有相关影响。利用最近的市场动态模型,充分捕捉到上述程式化的事实,我们得到封闭形式的期权定价方程,获得布莱克和斯科尔斯作为一个特殊情况。通过将我们的定价方程应用于一个主要的股票指数期权数据集,我们表明,在金融建模中包含程式化的功能,使衍生品价格接近市场价值约30%,而无需校准模型参数对可用的衍生品价格。
2014-05-20 q-fin.PR q-fin.ST
Arbitrage Opportunities in Misspecified Stochastic volatility Models
有大量的经验证据表明,给定一组关于资产真实动态的假设,该资产的欧式期权在期权市场上没有有效定价,从而产生套利机会。我们在一个一般的随机波动率模型中研究了这些机会,并给出了使套利利润最大化的策略。在这种情况下,当错误指定的动态是一个经典的Black-Scholes之一,我们给出了一个新的解释,经典的蝴蝶和风险逆转合同的(近)最优套利策略。我们的结果说明了一个数值例子,包括交易成本。
2011-09-30 q-fin.GN q-fin.PR q-fin.ST
Using Machine Learning and Alternative Data to Predict Movements in Market Risk
近年来,利用机器学习和替代数据预测金融市场一直是一个热门话题。许多金融变量如股票价格、历史波动率、交易量等已经被广泛研究。值得注意的是,我们发现没有现有的研究预测资产的市场隐含波动率在这方面。这一前瞻性指标衡量了人们对资产未来波动性的看法,被认为是衍生品领域最重要的参数之一。因此,预测该统计数据的能力可以为做市和资产管理的从业者提供竞争优势。因此,在本文中,我们调查谷歌新闻统计数据和维基百科网站流量作为替代数据源的定量市场数据,并考虑逻辑回归,支持向量机和AdaBoost作为机器学习模型。我们表明,市场隐含波动率的变动确实可以通过机器学习技术的帮助来预测。虽然所采用的替代数据似乎没有提高预测的准确性,我们揭示了初步证据的非线性关系的功能从维基百科页面流量和市场隐含波动率的变动。
2020-09-16 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
Black-Litterman Asset Allocation under Hidden Truncation Distribution
本文研究隐含截断偏态正态分布下的 Black-Litterman 资产配置模型,证明融入观点后的后验收益仍服从该分布,并利用 Simaan 三阶矩风险模型求解最优投资组合,实证发现该组合风险更低且揭示了波动率与偏态间的权衡关系。
2023-10-18 q-fin.GN q-fin.MF q-fin.PM