Is Volatility Rough ?
粗糙波动率模型是连续时间随机波动率模型,其中波动率过程由Hurst参数小于一半的分数布朗运动驱动,自从一篇名为《波动性是粗糙的》的开创性论文发表以来,2014年发表在SSRN上的一篇文章显示,主要股票指数的对数已实现波动率时间序列与这种粗糙分数布朗运动具有相同的标度特性议案有。然而,我们发现,通过模拟,令人印象深刻的方法往往建议相同的粗糙度,无论波动率实际上是粗糙与否,一个被忽视的潜在波动率的估计误差往往会导致一个虚幻的标度属性。受这一初步发现的启发,我们在这里发展了连续时间分数随机波动率模型的统计理论,以检验Hurst参数是否确实被估计为小于一半,即波动率是否真的很粗糙。我们构造了一个拟似然估计,并将其应用于已实现波动率时间序列。我们的拟似然是基于已实现波动率的误差分布和对数波动率过程的自协方差的惠特尔型近似。我们证明了我们的估计在高频渐近下的一致性,并通过模拟来检验其有限样本性能。我们的实证研究表明,波动率确实是粗糙的,实际上它甚至比文献中考虑的更粗糙。
2019-05-17 math.ST q-fin.ST stat.TH
Rough volatility: fact or artefact?
本文通过非参数粗糙度估计方法,结合数值实验证明已实现波动率的粗糙性主要源于微观结构噪声而非波动率过程本身,从而质疑粗糙波动率建模的实证依据。
2023-07-10 math.PR math.ST q-fin.ST
Forecasting security's volatility using low-frequency historical data, high-frequency historical data and option-implied volatility
低频历史数据、高频历史数据和期权数据是预测标的证券波动性的三大数据来源。在本文中,我们提出了两个计量经济学模型,其中集成了三个信息源。在GARCH-Itô-OI模型中,我们假设期权隐含波动率能够影响证券未来的波动率,并将期权隐含波动率视为可观测的外生变量。在GARCH-Itô-IV模型中,我们假设期权隐含波动率不能直接影响证券的波动率,通过建立期权隐含波动率与证券波动率之间的关系,提取出标的证券的有用信息。在给出参数的拟极大似然估计并建立其渐近性质之后,我们还进行了一系列的模拟分析和实证分析,将所提出的模型与文献中的其他流行模型进行了比较。研究发现,当高频数据的采样间隔为5 min时,GARCH-Itô-OI模型和GARCH-Itô-IV模型的预测性能优于其他模型。
2019-07-05 q-fin.ST stat.AP
Volatility Models Applied to Geophysics and High Frequency Financial Market Data
本文致力于地球物理和金融时间序列的建模研究。提出了一类时变参数波动率模型,用于平稳环境下时间序列波动率的预测。具有一致属性的平稳时间序列的建模有助于具有更大确定性的预测。利用GARCH模型和随机波动率模型,我们预测了一步前的建议波动率+/- 2标准预测误差,这是通过极大似然估计制定的。我们比较了随机波动率模型依赖于过滤技术中使用的条件波动率与Gesthem模型。我们的结论是,随机波动率是一个更好的预测工具比GARCH(1,1),因为它是由自回归过去的信息较少的条件。
2019-01-26 econ.EM q-fin.ST stat.AP
Bayesian modeling and forecasting of 24-hour high-frequency volatility: A case study of the financial crisis
本文估计模型的高频指数期货回报率使用“全天候”5分钟的回报,包括以下主要特征:多个持续的随机波动性因素,跳跃的价格和波动,季节性成分捕捉时间的一天的模式,回报和波动冲击之间的相关性,和公告效应。我们开发了一个综合的MCMC方法来估计日间和日内的参数和状态,使用高频数据,而不诉诸各种聚合措施,如已实现的波动。我们提供了一个案例研究,使用金融危机的数据从2007年到2009年,并使用粒子滤波器构建似然函数的模型比较和样本外预测从2009年到2012年。我们表明,我们的方法提高了已实现的波动率预测高达50%,超过现有的基准。
2014-01-22 stat.AP
State Heterogeneity Analysis of Financial Volatility Using High-Frequency Financial Data
最近,考虑到低频市场动态,几个波动模型,采用高频金融数据,已经开发出来。然而,在金融市场中,我们经常观察到金融波动过程依赖于经济状态,因此它们具有状态异质结构。为了研究基于高频数据的状态异质市场动力学,我们引入了一个基于连续Ito扩散过程的波动率模型,该模型的日内瞬时波动率过程依赖于外生状态变量及其综合波动率。我们称之为状态异构GARCH-Ito(SG-Ito)模型。我们提出了一个拟似然估计程序与已实现波动率代理,并建立其渐近行为。此外,为了检验低频状态异质性,我们开发了Wald检验类型的假设检验程序。实证研究结果表明,标准普尔500指数波动存在杠杆效应、投资者关注度、市场流动性不足、股市联动性和节后效应。
2021-02-26 q-fin.ST stat.AP
Spot volatility estimation for high-frequency data: adaptive estimation in practice
我们从实用的角度进一步发展了Hoffmann,Munk和Schmidt-Hieber(2012)中介绍的现货波动率估计,并使其适用于高频金融数据的分析。在第一部分中,我们调整估计,以实现良好的有限样本的性能,并克服困难所产生的违规行为的加性微结构噪声模型(如跳跃,舍入误差)。这些修改是合理的模拟。第二部分研究波动对宏观经济事件的响应行为。我们给出的证据表明,在欧洲中央银行的新闻发布会上,欧元-债券期货的现货波动性相当高。作为展望,我们提出了一个估计的两个不同的价格的现货协波动。
2013-09-24 stat.AP
Bayesian stochastic volatility models for high-frequency data
我们制定了一个离散时间贝叶斯随机波动模型的高频股票市场数据,直接占微观结构噪声,并概述了马尔可夫链蒙特卡罗算法的参数估计。本文中描述的方法被设计为在所有采样时间尺度上是一致的,其目标是从在任意短的采样周期收集的数据中估计潜在的对数波动率信号。为了实现这一目标,我们仔细地开发了一种方法来引出先验知识。来自模拟和真实数据的实证结果表明,直接占微观结构的状态空间制定允许良好校准的估计的对数波动率过程驱动的价格。
2016-01-31 stat.AP stat.ME
Extracting useful information from connected vehicle data: An empirical study of driving volatility measures and crash frequency at intersections
随着高频联网和自动驾驶汽车数据的出现,分析师已经能够从中提取有用的信息。为此,“驱动波动”的概念被定义和探讨偏离规范。几种分散和变化的测量可以用不同的方法计算,使用车辆的瞬时速度,加速度和在交叉口观察到的加加速度。这项研究探讨了不同的波动性指标,代表了新的可用的替代安全指标,通过将密歇根州安全试点部署的联网车辆数据与几个交叉路口的碰撞和库存数据相结合。交叉点数据经过误差检查和准确性验证。然后,对于每个交叉点,计算37种不同的波动性度量。这些波动率,然后用来解释碰撞频率在交叉口估计固定和随机参数泊松回归模型。结果表明,增加驾驶波动性的三个措施与较高的交叉口碰撞频率呈正相关,控制暴露变量和几何特征。更多的交叉口碰撞与车辆数据点(速度和加速度)超出阈值带的百分比较高相关。使用平均值加两个标准差创建这些条带。此外,当车辆通过交叉口时,车辆速度的时变随机波动性的幅度越大,则碰撞频率越高。这些措施可用于定位具有高驾驶波动性的交叉口,即,那些容易发生撞车事故的热点因此,可以对这些交叉点进行更深入的分析,并在高波动性位置考虑主动安全对策,以提高安全性。
2018-03-08 stat.AP
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
High-Frequency Causality in the VIX Index and its derivatives: Empirical Evidence
2018年2月,VIX指数出现了有史以来最大的涨幅,并导致一些主要波动相关产品出现重大亏损。尽管作出了许多努力,但确切的根本原因尚未发现。我们研究了2018年1月和2月期间线性因果关系在VIX指数及其衍生品中的作用。由于随机波动率模型的统计推断存在缺陷,波动率预期指数VIX的动态性一直存在争议。利用日内数据,我们发现了描述它们相互作用的新的实证结果。我们发现波动率指数现货和隐含波动率的标准普尔500期权之间的双向因果关系,这表明波动反馈效应。现货指数往往滞后于其自身的期货,而向量自回归误差修正机制揭示了一个显着的均值回复均衡关系。证据是一致的,最近的理论表明,隐含波动率有更强的反馈比实现波动。本文揭示了一个可追溯的信息流,并强调了新的见解,市场微观结构的波动率指数衍生品及其相关的SnP 500选项。
2022-12-18 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
Dynamic factor, leverage and realized covariances in multivariate stochastic volatility
在多变量股票日收益率的随机波动模型中,人们发现随着收益率维数的增加,参数的估计变得不稳定。为了解决这个问题,我们专注于多重收益的因子结构,并考虑两个额外的信息来源:第一,与市场因子相关的已实现股票指数,第二,从高频数据计算的已实现协方差矩阵。建议的动态因子模型与杠杆效应和实现的措施,适用于十大股票组成的交易所交易基金与SP500指数的投资回报挂钩,该模型被证明有一个稳定的优势,在投资组合的表现。
2021-09-15 econ.EM stat.AP
Efficient asymptotic variance reduction when estimating volatility in high frequency data
本文展示了在存在随机波动率和微观结构噪声的情况下,如何使用来自[Barndorff-Nielsen et al.,2008]和[Xiu,2010]中研究的拟最大似然估计(QMLE)。为了获得这样的减少,我们将数据分割成B个块,计算每个块的RK(或QMLE),并聚合块估计。当B增加到问题的参数版本中的比率时,渐近方差与渐近效率的界限的比率收敛,即在最快的RK Tukey-Hanning 16和QMLE的情况下为1.0025。仔细研究了随机抽样时间和价格过程中的跳跃的影响。两种估计的有限样本性能进行了研究,在模拟中,而实证工作说明了在实践中的增益。
2018-06-27 q-fin.ST stat.AP
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
On-line Spot Volatility-Estimation and Decomposition with Nonlinear Market Microstructure Noise Models
本文提出了一种高频数据实时波动率的在线估计方法。该算法直接作用于交易数据,并在新交易发生后立即更新波动率估计。此外,一个非线性的市场微观结构噪声模型,提出了再现几个程式化的高频数据的事实。使用计算上有效的粒子滤波器,其允许未知有效价格的近似,并且结合递归期望最大化算法,用于波动率曲线的估计。我们既不假设交易时间是等距的,也不使用插值价格。我们还区分了单位时间的波动率和每笔交易的波动率,并为两者提供了估计。更确切地说,我们使用一个随机时间变化的模型,其中现货波动率被分解为每笔交易的现货波动率乘以交易强度-从而突出了交易强度对波动率的影响。
2013-01-13 stat.AP stat.CO stat.ME
Volatility Analysis with Realized GARCH-Ito Models
通过在连续瞬时波动过程中嵌入离散的实现GARCH结构,提出了一种统一的高频金融数据建模方法,该方法可以同时适用于连续时间跳跃扩散模型和离散时间实现GARCH模型.该模型的主要特征是相应的条件日综合波动率采用自回归结构,其中综合波动率和跳跃变化都是新息。我们称之为实现的GARCH-Ito模型。考虑到条件日综合波动率中的自回归结构,我们提出了一种用于参数估计的拟似然函数,并建立了它的渐近性质。为了改进参数估计,我们提出了一种联合的准似然函数,它是建立在高频数据估计的日综合波动率和期权数据获得的非参数波动率估计的婚姻。我们进行了模拟研究,以检查有限样本的性能所提出的方法和实证研究与标准普尔500指数和期权数据。
2020-06-15 stat.AP stat.ME
Intraday FX Volatility-Curve Forecasting with Functional GARCH Approaches
Department of Actuarial Studies and Business Analytics, Macquarie University(麦考瑞大学精算研究与商业分析系);University of Sussex(萨塞克斯大学)
本文提出函数型 GARCH 框架,结合多层函数型主成分分析与买卖价差外生变量,预测主要外汇货币的日内波动率曲线,并用于构建日内 VaR 以降低交易损失。
2025-09-30 stat.AP stat.ME
Multivariate stochastic volatility with Bayesian dynamic linear models
本文发展了一种贝叶斯方法来估计和预测多元时间序列的波动率。这项工作的基础是矩阵变量的动态线性模型,其中,我们采用了乘性随机演化,使用Wishart和奇异的多元贝塔分布。采用了一个贴现因子对角矩阵,以便逐个元素地对方差进行折扣,从而实现灵活实用的方差建模方法。诊断测试和序贯模型监测进行了详细讨论。建议的估计理论适用于一个四维时间序列,包括现货价格的铝,铜,铅和锌的伦敦金属交易所。实证结果表明,所提出的贝叶斯过程可以有效地应用于金融数据,克服了现有的波动率模型的许多缺点。
2008-02-01 q-fin.ST stat.AP stat.ME
Asymptotic equivalence and sufficiency for volatility estimation under microstructure noise
金融中的高频数据的基本模型被认为是一个有效的价格过程中观察到的微观结构噪声。它表明,这个非参数模型是在Le Cam的意义下渐近等价于高斯移位实验的波动函数$σ$的平方根。作为应用,构造了简单的波动率最优估计和综合波动率的有效估计。
2010-01-18 math.PR math.ST q-fin.ST
Variation of word frequencies in Russian literary texts
本文研究俄语文学语篇中词频的变化。我们的研究结果表明,根据指数$0.62,$的幂律,一个词在文本中的频率的标准差取决于它的平均频率,这表明较罕见的词具有相对较大程度的频率波动性(即,“突发性”)。几个潜在因素模型已估计调查的词频分布的结构。一个词的频率波动依赖于它的平均频率可以解释为潜在因素分布的不对称性。
2015-05-05 cs.CL physics.soc-ph stat.AP
Forecasting High-Dimensional Realized Volatility Matrices Using A Factor Model
对资产收益的协方差阵进行建模和预测在金融中起着至关重要的作用。高频日内数据的可用性使得能够直接对实现的协方差阵进行建模。然而,文献中的大多数模型都受到维数灾难的影响。为了解决这个问题,我们提出了一个因子模型与对角CAW模型的因子实现的协方差阵。渐近理论推导出的估计参数。在一个广泛的实证分析中,我们发现,参数的数量可以显着减少。此外,该模型保持了与基准向量自回归模型相当的性能。
2015-04-14 stat.AP stat.ME