Long-range memory model of trading activity and volatility
早先我们提出了随机点过程模型，它再现了各种自仿射时间序列，其功率谱密度S（f）标度为频率f的幂，并导出了具有相同长程记忆性质的随机微分方程。在这里，我们提出了一个随机微分方程作为一个动态模型的观察记忆的金融时间序列。连续随机过程再现了交易活动的统计特性，并作为建模等待时间，回报和波动性的背景模型。经验观察到的统计特性：幂律概率分布的指数和长距离记忆金融变量的功率谱密度与几个模型参数的相同值再现。
2006-06-14 physics.soc-ph 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
Detrended cross-correlations between returns, volatility, trading activity, and volume traded for the stock market companies
我们考虑几个表征股票市场在固定时间间隔内交易的量：对数回报率、波动率、交易活动（即，交易数量）和交易量。我们的研究是基于美国股票市场的经验数据，包括一个tick-by-tick记录的31只股票在道琼斯工业平均指数在2008年至2011年的不同时间单位，从1分钟到10分钟，这些数量之间的幂律互相关。由于除了收益率之外，所有考虑的量都显示出与一天中不同时间的可变交易活动相关的强烈的每日模式，这在自相关函数中最为明显，因此我们在继续研究之前通过去趋势来去除这些模式。我们应用多重分形去趋势交叉相关性分析与符号保持（MFCCA），并表明，最强的幂律交叉相关性之间存在的交易活动和交易量，而最弱的存在（甚至不存在）之间的回报和剩余的数量。我们还表明，最强的互相关进行的那些部分的信号，其特征在于由大，中方差。我们的观察，最令人信服的幂律交叉相关性发生在交易活动和交易量之间，揭示了这些量之间存在强烈的分形耦合。
2015-11-10 q-fin.ST
The Role of Binance in Bitcoin Volatility Transmission
我们分析了比特币市场的高频波动动态和溢出效应，重点关注两个对：比特币兑美元（主要的法币-加密货币对）和比特币兑Tether（主要的加密货币对）。我们发现，币安上的限制保证金永久合约显然是波动性的主要来源，它不断向所有其他工具传递强劲的流量，而只接收很少的波动性。此外，我们发现：（i）在美国交易时段，交易员在更新预期时会更加关注当前的市场状况，并且对当前的市场状况做出更大的反应;（ii）当传统的西方股票市场开放时，加密市场表现出更高的互联性。我们的研究结果强调，监管机构不仅应该考虑提供比特币法定交易的现货交易所，还应该考虑大多数不受监管的交易所（最重要的是币安）提供的限制保证金衍生品产品。
2021-08-06 q-fin.ST q-fin.TR
Causal effect of regulated Bitcoin futures on volatility and volume
2017年12月，两家领先的衍生品交易所CBOE和CME推出了首个受监管的比特币期货。我们的目标是估计它们对比特币波动和交易量的因果影响。采用一种新的因果关系的方法，C-ARIMA，我们发现，芝加哥商品交易所的未来引发了这两个结果的增加。还有证据表明，交易量与波动性之间存在正相关关系，对波动性的影响部分是由于推出该合同导致交易量增加。在控制了对交易量的影响后，我们发现CME工具导致比特币波动性增加了一倍以上。
2021-09-24 q-fin.ST
Stochastic volatility of financial markets as the fluctuating rate of trading: an empirical study
我们提出了一个实证研究的从属假说的随机时间序列的股票价格。交易的波动率与股票价格的随机方差相一致，就像在连续时间随机游走（CTRW）框架中一样。对于给定的交易次数N，股票价格变化（对数收益）的概率分布近似为高斯分布。对于给定的时间间隔Dt，N的概率分布是非泊松分布，并且对于大的N具有指数尾，并且对于小的N具有尖锐的截止。结合这两个分布产生了一个非平凡的分布的对数回报率为一个给定的时间间隔Dt，它有指数尾部和高斯中心部分，与经验观察。
2006-12-11 physics.data-an physics.soc-ph q-fin.ST
How the trading activity scales with the company sizes in the FTSE 100
本文研究了富时100指数中公司的“活动”和“规模”指标之间的缩放依赖关系。公司的“规模”是以总市值来衡量的。“活动”是用与交易（每笔交易的交易价值、每小时的交易价值、报价率）、订单队列（订单总数、总价值）和价格动态（价差、波动率）相关的几个数量来衡量的。结果表明：1）按小时交换的价值和订单队列中的价值具有小于1的指数，分别为0.90和0.75，2）报价率和单笔交易价值具有小于1的指数，分别为0.39和0.44; 3）年化波动率与规模无关，逐时波动率随市值的增加而减小，指数为-0.23; 4）价差随波动率的增加而增加，指数为0.94。给出了一个理论上的随机游走参数，它将波动率指数与点1和点2中的指数联系起来。
2004-07-29 cond-mat.other q-fin.ST
Measuring Volatility Clustering in Stock Markets
提出了一种新的方法来量化复杂时间序列中的聚类行为，并将其应用于金融市场的高频数据。我们发现，无论使用哪种数据集，所有数据都表现出波动率聚集的特性，而使用GARCH模型滤除波动率聚集效应的数据集显著降低了波动率聚集。结果表明，该方法能够有效地度量金融市场的波动率聚集效应。
2007-09-15 physics.data-an q-fin.ST
An application of the method of moments to volatility estimation using daily high, low, opening and closing prices
我们利用算术布朗运动的极差期望和对日最高价、最低价、开盘价和收盘价的矩量法来估计股票价格的波动率。开盘时的每日价格上涨被认为是盘后虚拟交易日未被观察到的演变的结果。年化波动率被用来计算欧式期权的Black-Scholes价格，并设计交易策略，当这些价格与市场价格明显不同时获利。
2011-12-20 math.PR q-fin.PR q-fin.ST
Deep Hedging: Learning Risk-Neutral Implied Volatility Dynamics
我们提出了一个数值有效的方法来学习一个风险中性测度的路径模拟现货和期权价格到有限的地平线下凸交易成本和凸交易约束。然后，这种方法可以用于实现随机隐含波动率模型在以下两个步骤：1。训练一个期权价格的市场模拟器，例如我们最近讨论的; 2.找到一个风险中性密度，特别是最小熵鞅测度。由此产生的模型可用于风险中性定价，或在交易成本或交易约束的情况下用于深度对冲。为了激励所提出的方法，我们还表明，市场动态是免费的“统计套利“的交易成本的情况下，当且仅当他们遵循风险中性测度。此外，我们提供了一个更一般的特征存在凸交易成本和交易约束。这些结果可以看作是交易摩擦下统计套利资产定价基本定理的一个模拟，具有独立的意义。
2021-07-14 math.OC q-fin.CP q-fin.ST
Stochastic Volatility Models Including Open, Close, High and Low Prices
Instituto de Estudios Superiores de Administración（高级研究学院）；Department of Applied Mathematics and Statistics, University of California, Santa Cruz（加州大学圣克鲁兹分校应用数学与统计系）；a hedge fund（对冲基金）
本文定义了一类利用交易期内开盘价、收盘价、最低价和最高价来推断资产价格波动率动态的随机波动率模型，并通过序贯蒙特卡洛算法进行拟合，与文献中已有模型比较，用模拟和SP500指数数据验证了其有效性。
2009-01-09 cs.CE cs.NA math.NA
A Framework for Predictive Directional Trading Based on Volatility and Causal Inference
Department of Life, Health and Environmental Sciences（生命、健康与环境科学系）；University of L’Aquila（拉奎拉大学）
本研究提出一种结合GMM聚类、多阶段因果推断（GCT、PCMCI、ETE）和机器学习（DTW、KNN）的预测性定向交易框架，基于股票波动率识别领先-滞后关系并确定最佳交易滞后，回测显示其总回报达15.38%，显著优于Buy-and-Hold策略。
2025-07-12 cs.AI q-fin.ST stat.ML
Overnight GARCH-Itô Volatility Models
金融数据的各种参数波动率模型已被开发出来，以纳入高频已实现波动率并更好地捕捉市场动态。然而，由于高频交易数据在收盘至开盘期间不可用，因此波动率模型常常忽略收盘至开盘期间的波动率信息，从而可能损失与市场动态相关的重要信息。在本文中，考虑到全天的市场动态，我们提出了一个隔夜波动率模型的基础上伊藤扩散，以适应两个不同的瞬时波动过程的开放到关闭和关闭到开放期间。我们发展了一种加权最小二乘方法来估计两个不同时期的模型参数，并研究了它的渐近性质。我们进行了模拟研究，以检查所提出的模型和方法的有限样本性能。最后，我们将所提出的方法应用于真实的交易数据。
2022-06-17 econ.EM q-fin.ST stat.ME
A cluster driven log-volatility factor model: a deepening on the source of the volatility clustering
我们引入了一个新的因子模型的日志挥发性进行降维，并考虑全球通过市场的贡献，并通过集群结构和它们的相互作用在本地。我们不假设数据中聚类的先验数量，而是使用定向气泡层次树（DBHT）算法来固定因子的数量。我们使用因子模型和一个新的综合非参数代理来研究波动率对波动率聚集的贡献。在全球范围内，只有市场对波动率聚集有贡献。局部地对于某些聚类，聚类本身在统计上对波动率聚集有贡献。这明显优于其他因子模型，因为可以统计地选择因子，同时还保持经济上相关的因子。最后，我们表明，日志波动性因子模型解释了类似的内存量的主成分分析（PCA）因子模型和探索性因子模型。
2018-05-10 q-fin.ST
How news affect the trading behavior of different categories of investors in a financial market
我们调查了大量的单一投资者交易的高流动性的诺基亚股票在2003年至2008年期间的交易行为，目的是确定内生和外生因素，可能会影响他们的行为的相对作用。作为内生因素，我们考虑回报率和波动性，而我们使用的外生因素是每日新闻总数和基于新闻情绪分析的语义变量。数据的线性回归和偏相关分析表明，不同类别的投资者与这些因素的相关性不同。政府和非赢利性机构对新闻和回报或波动性的敏感性较弱，而且通常与前者的相关性大于与后者的相关性。相反，家庭和公司对内生和外生因素都非常敏感，平均而言，波动性和回报率分别比新闻和情绪的数量更相关。最后，金融机构和外国组织介于这两种情况之间，就这些因素的总解释力和相对重要性而言。
2012-07-13 q-fin.ST
The Random Walk behind Volatility Clustering
金融价格的变化遵循两个普适的性质：它们遵循幂律，并且它们在时间上倾向于聚集。第二个规律性，称为波动率聚集，需要价格变化的一些可预测性：虽然它们的符号在时间上不相关，但它们的振幅（或波动率）是长期相关的。已经提出了许多模型来解释这些问题，特别是基于代理的模型，但这些模型往往调用相对复杂的机制。本文发现了波动率聚集背后的一个基本原因：外生消息对预期的影响。事实上，金融代理人的预期显然会随着新闻的出现而变化;对这一想法建模的最简单方法是假设预期遵循随机游走。我们表明，这种随机游走意味着波动率聚集在一个通用的方式。
2016-12-29 q-fin.ST
Conditional Probability as a Measure of Volatility Clustering in Financial Time Series
在过去的几十年里，金融时间序列的特征和建模已经花费了相当大的努力。一些程式化的事实已经被确定，波动集群或持续性的趋势已经成为中心特征。在本文中，我们提出了一个适当定义的条件概率作为一个新的衡量波动聚类。我们测试这一措施，将其应用到不同的股票市场数据，我们发现一个丰富的时间结构的波动率波动描述得很好的标度关系。缩放中使用的比例因子提供了波动率聚类的直接度量;这种度量可用于开发期权定价、风险管理和经济预测的技术。此外，我们提出了一个随机波动率模型，可以显示许多显着的特征所表现出的经验金融时间序列的波动，包括我们推导出的条件概率的行为。
2006-01-05 physics.soc-ph q-fin.ST
Correlations and clustering in the trading of members of the London Stock Exchange
本文分析了伦敦证券交易所不同成员交易模式的相关性。与成员机构相关联的策略集合由该机构以小时间隔交易的净交易量的符号序列定义。使用几种方法，我们表明，有显着的和持久的相关性机构之间。此外，相关性被构造成相关和反相关组。聚类技术使用的相关性作为距离度量揭示了一个有意义的聚类结构，两组机构交易方向相反。
2007-09-20 physics.soc-ph q-fin.ST
Carbon-dioxide emissions trading and hierarchical structure in worldwide finance and commodities markets
在一个高度相互依存的经济世界中，金融实体之间的关系的性质正在成为一个越来越重要的研究领域。最近，许多研究表明，最小生成树（MST）在提取金融实体之间的相互作用的有用性。在这里，我们提出了一种改进的MST网络，其度量距离是根据互相关系数的绝对值定义的，使网络相关实体之间的连接能够正确地表现出来。我们调查了69个每日时间序列，包括三类金融资产：28个股票市场指标，21个货币期货和20个商品期货。我们发现，虽然由此产生的MST网络随着时间的推移而演变，类似类型的金融资产往往有连接，这是稳定的，随着时间的推移。此外，我们发现股票市场指标的波动时间序列与欧盟二氧化碳排放配额（EUA）和原油期货（WTI）的波动时间序列之间存在特征时滞。这一时滞由波动时间序列EUA（或WTI）与股票市场指标的互相关函数的峰值给出，并且与0明显不同（>20天），表明股票市场指标今天的波动可以预测欧盟排放配额和原油在不久的将来的波动。
2013-08-16 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
Clustering and attention model based for intelligent trading
The University of Sydney（悉尼大学）
外汇市场在全球金融市场中占有重要地位。外汇交易在给投资者带来高收益机会的同时，也带来了一定的风险。自20世纪外汇市场建立以来，外汇汇率预测就成为各国学者研究的热点问题。由于影响外汇市场因素的复杂性和数量，技术分析无法应对行政干预或突发事件。我们的团队选择了2005年至2021年的几对外币历史数据和衍生技术指标作为数据集，并建立了不同的机器学习模型，用于超卖场景下的事件驱动价格预测。
2021-08-06 cs.LG q-fin.ST
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
CoVaR with volatility clustering, heavy tails and non-linear dependence
在本文中，我们估计的条件风险价值拟合不同的多元参数模型捕捉一些程式化的事实，多变量金融时间序列的股票收益率：重尾，负偏，非对称依赖，和波动率聚集。而波动率聚集效应是通过GJR型的AR-Gesterfield动力学得到的，其他程式化的事实是通过非高斯多变量模型和copula函数来捕获的。CoVaR $^{\leq}$的计算基于多元正态模型、多元正态回火稳定模型、多元广义双曲模型和四种可能的copula函数。将这些风险度量估计值与基于多元正态GARCH模型的CoVaR $^{=}$进行比较。比较是通过对2007年1月至2020年3月期间的竞争对手模型进行回测来进行的。在实证研究中，我们考虑了属于主要或额外的全球系统重要性银行（GSIBs）评估样本的欧元区上市银行的样本。
2020-09-22 q-fin.CP q-fin.RM q-fin.ST
High quality topic extraction from business news explains abnormal financial market volatility
ETH Zurich（苏黎世联邦理工学院）；The Canon Institute for Global Studies（佳能全球战略研究所）；Swiss Finance Institute（瑞士金融研究院）；University of Tsukuba（筑波大学）；The University of Tokyo（东京大学）
理解当今社会中信息流和社会活动之间的相互关系是社会科学的基石之一。在金融经济学中，这方面的关键问题是理解和量化所有可能类型的新闻（地缘政治，环境，社会，金融，经济等）影响有组织的股票市场中公司的交易和定价。在本文中，我们试图通过分析汤普森路透社提供的2400多万条新闻记录及其与标准普尔美国股票指数中206只主要股票交易活动的关系来解决这个问题。我们发现，整个景观的新闻，影响股价走势可以自动总结，通过简单的正则化回归之间的交易活动和新闻信息块分解，借助简单的主题建模技术，到他们的“主题”功能。使用这些方法，我们能够估计和量化新闻对交易的影响。我们引入基于网络的可视化技术来表示与一篮子股票相关的新闻信息的整个景观。对代表主题分布的词的检查证实，我们的方法能够提取影响股市的重要信息。我们的研究结果表明，金融经济中最令人困惑的程式化事实之一，即在某些时候，交易量似乎“异常大”，可以部分地用新闻流来解释。从这个意义上说，我们的研究结果证明，不存在“过度交易”，当限制在新闻是真正的新的，并提供相关的金融信息的时候。
2013-03-23 cs.LG cs.SI physics.soc-ph
Dynamical Models of Stock Prices Based on Technical Trading Rules Part II: Analysis of the Models
在本文的第二部分中，我们集中分析了在本文第一部分中建立的基于移动平均线规则的价格动态模型。通过对超额需求函数的分解，揭示了趋势跟踪行为和反向行为的相互作用是导致价格混沌的原因，并给出了价格序列从发散到混沌再到振荡的参数范围。证明了价格动态模型存在无穷多个均衡点，但这些均衡点都是不稳定的。我们证明了收益率波动的短期可预测性，并推导出作为模型参数的函数的李雅普诺夫指数的详细公式。我们发现，虽然价格是混沌的，波动率收敛到一些常数非常快的速度的李雅普诺夫指数。基于Monte-Carlo模拟，我们提取了收敛波动率与模型参数之间的关系式。我们探讨了收益表现出独立性的情况，并详细说明了独立性指数是如何随模型参数变化的。最后，我们绘制了混沌价格模型的奇异吸引子和收益率分布，以说明收益率的复杂结构和厚尾分布。
2016-02-21 cs.CE q-fin.ST q-fin.TR
Reducing overestimating and underestimating volatility via the augmented blending-ARCH model
SVR-GARCH模型在预测金融时间序列波动率时存在"后向窃听"的倾向，即简单地通过偏离前一次波动率来产生预测结果。虽然SVR-GARCH模型在各种绩效度量方面都取得了良好的表现，但交易机会、时间序列中的峰谷行为都受到低估或高估波动率的阻碍。我们提出了一个混合模型和一个增广模型来克服这类问题，使预测更好的峰谷行为。该方法使用包括SH300和S&P500的真实数据集来说明。实证结果表明，增广模型和混合模型提高了波动率预测能力。
2022-03-15 cs.LG q-fin.ST
Dynamic time series clustering via volatility change-points
本说明概述了一种根据波动性在未观察到的变点发生变化的统计模型对时间序列进行聚类的方法。该模型容纳了一些经典的风格化特征的回报和它的关系，Gestival进行了讨论。使用与每个系列相关的最近变化点的后验分布之间评估的概率距离进行聚类。这意味着如果有证据表明它们各自的波动率最近的变化是一致的或时间接近的，那么系列在给定的时间被分组在一起。聚类方法是动态的，因为分组可以在数据到达时以在线方式更新。数值结果给出分析的S&P 500的成分的每日收益。
2019-06-25 q-fin.ST stat.ME
Market dynamics immediately before and after financial shocks: quantifying the Omori, productivity and Bath laws
我们研究了219次市场冲击之前和之后的级联动态。我们将市场冲击的时间T_{c}定义为市场波动率V（T_{c}）具有超过预定阈值的峰值的时间。由“主震”引发的高波动性“余震”的级联在数量上类似于地震和太阳耀斑，这已经被三个经验定律描述-大森定律、生产率定律和巴斯定律。我们分析了2001-2002两年期间美国市场交易量最大的531只股票，时间分辨率为1分钟。我们发现之间的定量关系（i）的“主震”震级M \equiv \log V（T_{c}）发生在时间T_{c}的219“波动性地震”分析，和（ii）的参数量化的衰减波动性余震以及波动性前震。我们还发现，交易活动较大的股票比交易活动较小的股票对市场冲击的反应更强烈，更迅速。我们的研究结果特征的典型的波动性反应条件M，无论是在市场和个股规模。我们认为这三个统计数量关系在期权定价和波动率交易中有潜在的应用价值。
2010-10-03 physics.geo-ph physics.soc-ph q-fin.ST
Long Memory and Volatility Clustering: is the empirical evidence consistent across stock markets?
长记忆和波动率聚集是与金融市场经常相关的两个典型事实。传统上，这些现象已被研究的基础上有条件的异方差模型，如ESTA，GSTA，IGSTA和FIGSTA，除其他外。这些模型的一个优点是它们能够捕获非线性动力学。研究波动现象的另一个有趣的方式是使用基于熵概念的度量。本文研究了标准普尔500指数、纳斯达克100指数和斯托克50指数的长记忆性和波动率聚集性，以比较美国和欧洲市场。此外，我们比较了条件异方差模型与熵测度的结果。在后者中，我们考察了Shannon熵，Renyi熵和Tsallis熵。结果证实了之前所考虑的时间序列中非线性动力学的证据。
2008-03-14 physics.soc-ph q-fin.ST
The Random Walk of High Frequency Trading
本文通过分别对交易时间收益率和交易到达率的动态变化进行建模，建立了一个高频股票收益率模型。我们的主要贡献有三方面。首先，我们描述了高频资产收益率在普通时钟时间和交易时间的分布行为。我们发现，当控制预先安排的市场新闻事件，交易时间回报的高流动性近一个月的E-mini标准普尔500期货合约的特点是高斯分布在非常精细的时间尺度。其次，我们开发了一个结构化的和简约的时钟时间回报模型，通过从属的贸易时间高斯分布与贸易到达过程，与修改后的马尔可夫切换多分形持续时间（MSMD）模型。这个模型提供了一个很好的高频交易持续时间的特征。在这种分布的过度分散的交易持续时间导致尖峰和波动率聚集的时钟时间回报，即使当交易时间回报是高斯。最后，我们使用我们的模型来推断交易率和波动率之间的经验关系，以了解市场失灵的条件。我们的模型表明，芝加哥和纽约/新泽西的金融市场之间1,200公里的物理隔离为系统性波动提供了一个自然的上限，并可能有助于在交易量极大的时期保持市场稳定。
2014-08-30 q-fin.ST q-fin.TR
Crowded trades, market clustering, and price instability
类似交易同行的拥挤交易影响了资产价格的动态，可能产生系统性风险。我们提出了一个市场聚类措施，使用粒度交易数据。对于每只股票，聚类度量捕获了该股票中任何两个投资者之间的交易重叠程度。我们研究拥挤的交易对股票价格稳定性的影响，并表明市场聚集对股票收益率分布的尾部属性有因果关系，特别是正尾，即使在控制了通常认为的风险驱动因素之后。因此，投资者池多样性的减少可能对股票价格稳定产生负面影响。
2020-02-09 q-fin.RM q-fin.ST q-fin.TR
Evaluating the Effectiveness of Common Technical Trading Models
最常见的交易模式有多有效？答案可能会帮助投资者认识到使用每种模型的好处，作为投资者进入更复杂的金融分析和机器学习的过渡，并提高学生的金融知识。创建流行模型的原始版本，如线性回归，K最近邻和移动平均交叉，我们可以测试每个模型在最受欢迎的股票和最大的指数上的表现。通过每个模型的结果，我们可以比较模型，并了解哪个模型可靠地提高了性能。试验表明，虽然这三种模型都减少了整体趋势强劲的股票的损失，但两种机器学习模型在增加利润方面并不奏效。移动平均线交叉每次都优于连续投资，尽管也导致了更不稳定的投资。此外，一旦完成创建实现移动平均交叉的程序，使用的最佳周期是什么？一项由169，880次试验组成的大规模测试显示了用于提高投资业绩（5，10）和降低波动性（33，44）的最佳时期。此外，数据显示了许多趋势，例如较小的短SMA周期伴随着更高的性能。将波动率与业绩进行对比可以看出，高风险、高回报的说法是正确的，并且表明，对于投资而言，随着波动率的增加，其业绩也会增加。
2019-07-21 cs.CY q-fin.ST
Online High-Frequency Trading Stock Forecasting with Automated Feature Clustering and Radial Basis Function Neural Networks
Business School, University of Edinburgh（爱丁堡大学商学院）
本文提出一种结合双重竞争特征重要性机制与k-means聚类的高频交易股票预测方法，通过将k-means引入RBFNN实现自动特征选择与聚类，在20只标普500股票上验证了其有效性，消除了手动网格搜索并提升了中间价预测效率。
2024-12-27 cs.LG q-fin.ST
Variety and Volatility in Financial Markets
我们通过考虑单个时间序列和同时交易的股票集合的统计特性来研究金融市场中股票交易的价格动态。我们使用在纽约证券交易所交易的$n$股票来形成每日股票收益的统计集合。对于我们的数据库的每个交易日，我们研究了整体收益率分布。我们发现，一个典型的集合收益率分布存在于大多数的交易日，除了崩溃和反弹的日子和这些极端事件之后的日子。我们分析每个集合返回分布提取其前两个中心矩。我们观察到，这些时刻是波动的时间，是随机过程本身。通过研究集合收益分布中心矩的概率密度函数和时间相关特性，刻画了集合收益分布中心矩的统计特性。一般来说，时间平均和投资组合平均价格收益具有不同的统计特性。我们从这些差异中推断出股票之间和不同交易日之间相关性的相对强度。最后，我们将我们的经验结果与单指数模型预测的结果进行了比较，得出结论，这个简单的模型无法解释集合收益率分布的二阶矩的统计特性。
2000-06-05 cond-mat.stat-mech q-fin.ST
Clustering of volatility as a multiscale phenomenon
金融市场中的价格动态已被实验（数据分析）和理论（模型）深入研究。然而，一个完整的随机特性的波动仍然缺乏。众所周知，绝对收益率在很长的时间范围内具有记忆性，这种现象被称为波动的聚集性。在本文中，我们证明了波动率的相关性是幂律与非唯一的标度指数。这种多尺度现象，这是众所周知的物理学家，因为它是相关的充分发展的湍流和无序系统，最近指出的金融序列。从历史收益率序列出发，我们还推导了波动率的分布，其结果符合对数正态分布。在我们的研究中，我们考虑了纽约证券交易所（NYSE）每日综合指数收盘（1966年1月至1998年6月）和纽约联邦储备银行认证的美元/德国马克（USD-DM）中午购买利率（1989年10月至1998年9月）。
1999-04-07 cond-mat.dis-nn cond-mat.stat-mech q-fin.ST
Quantifying neural network uncertainty under volatility clustering
针对波动率聚集下收益预测的不确定性量化，提出尺度混合分布替代深度证据回归的NIG先验，以改善校准并区分认知与偶然不确定性，在加密货币和美国股票数据上验证了性能。
2024-09-19 q-fin.ST
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
Modeling Long Memory in REITs
影响建模过程的金融波动的一个典型特征是长记忆。本文考察了替代风险指标的长记忆性、观察到的每日房地产投资信托基金的绝对和平方回报率，并比较了非房地产投资信托基金股票指数的调查结果。本文利用各种测试的长记忆发现的证据表明，房地产投资信托基金的波动性确实显示持久性，与实际的回报序列。交易量与长记忆有很强的相关性。然而，研究结果确实表明，与更广泛的股票行业相比，房地产投资信托基金的研究结果存在差异，这可能是由于样本期间交易相对清淡。
2011-03-28 q-fin.ST
A note on VIX for postprocessing quantitative strategies
本文介绍了如何利用波动率指数（VIX）对量化策略进行后处理，以提高夏普比率，降低交易风险。从这个过程中的信号是一个指标的交易或不每天的基础上。最后，我们分析了这一过程中的SH 510300和SH 510050资产。通过测量夏普比率、最大压降和卡尔马比率来评估这些策略。但是，交易中总是有亏损的风险。测试的结果只是该方法如何工作的例子;没有对真实市场头寸的建议提出任何要求。
2022-07-08 cs.LG q-fin.ST
Utilizing RNN for Real-time Cryptocurrency Price Prediction and Trading Strategy Optimization
Tennessee Tech University（田纳西理工大学）
本研究利用循环神经网络（RNN）捕捉时间序列长期模式，以提高加密货币价格预测准确性并优化交易策略，通过数据收集、预处理、模型优化及回测评估，为学术和实践提供稳健方案。
2024-11-05 cs.AI cs.LG q-fin.ST
A new space-time model for volatility clustering in the financial market
提出了一种新的金融市场上相互作用主体的时空模型。它是居里-外斯模型和Järpe 2005年引入的时空模型的结合。该模型的属性推导出重点的临界温度和磁化强度。事实证明，哈密顿量是温度参数的充分统计量，因此可以进行关于该参数的统计推断。因此，例如，可以做出关于当前金融状况离金融危机有多远的声明，并且可以监视金融交易稳定性以检测恶意风险指示信号。
2010-02-03 q-fin.ST q-fin.TR
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
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
Dynamic functional time-series forecasts of foreign exchange implied volatility surfaces
本文提出了静态和动态版本的单变量，多变量和多级功能时间序列方法来预测外汇市场的隐含波动率表面。我们发现，动态函数主成分分析一般提高样本外预测精度。更具体地说，动态单变量函数时间序列方法显示出最大的改进。我们的模型导致多个实例的统计上显着改善的预测准确性，每日欧元兑美元，欧元兑英镑，欧元兑日元隐含波动率表面在不同的到期日，当基准建立的方法。一个程式化的交易策略也被用来证明我们所提出的方法的潜在经济效益。
2021-07-22 q-fin.ST stat.AP stat.CO
An asymmetric ARCH model and the non-stationarity of Clustering and Leverage effects
本文基于股票市场波动的两个典型事实：聚集性和杠杆效应，提出了一个新的波动率模型。我们校准我们的模型参数，在领先的顺序，与77年道琼斯工业平均指数的数据。我们发现，在短时间尺度（10 ~ 50天）下，未来波动率对过去收益率的信号（即非对称反馈或杠杆效应）是敏感的。然而，在长时间尺度（300至1000天）集群成为主要因素。我们研究非平稳的功能，使用移动窗口，发现聚类和杠杆效应显示时间的演变，而非平凡的。我们的模型的结构使我们能够阐明Chicheportiche和Bouchaud最近发现的一些令人惊讶的事实。
2015-12-07 q-fin.MF q-fin.ST
Predicting market instability: New dynamics between volume and volatility
经济物理学和计量经济学一致认为，在时间序列中，成交量和波动性之间存在相关性。使用经验数据及其分布，我们进一步研究这种相关性，并发现波动性和成交量相互作用的新方式，特别是当两者都很高时。我们发现，成交量条件波动率的分布是很好的拟合幂律函数与指数截止。我们发现，成交量条件波动率分布的规模与成交量，并崩溃这些分布到一个单一的曲线。我们利用成交量-波动率散点图的特征来发现对数成交量和我们定义为局部最大波动率（LMV）的量之间的强相关性，局部最大波动率表示在给定的交易量范围内观察到的最大波动率。这一发现支持了我们的实证分析，表明成交量是一个很好的预测最大值的波动性为同一天和不久的将来的时间段。我们还使用了一个联合条件概率，其中包括波动率和成交量，以证明调用两者使我们能够更好地预测第二天的最大波动比调用任何一个单独的。
2014-03-20 q-fin.ST
Continuous Time Random Walk with correlated waiting times. The crucial role of inter-trade times in volatility clustering
在许多物理、社会或经济现象中，我们只在离散的、不规则分布的时间点上观察到所研究的量的变化。物理学家用来描述这类变量的随机过程是连续时间随机游走（CTRW）。尽管这种类型的随机过程和强大的经验动机的流行，模型与观测之间的时间间隔序列内的长期记忆是缺失的。在这里，我们通过引入一个新的CTRW家族来填补这一空白。通过假设许多连续的时间间隔可以是相同的，将记忆引入模型。令人惊讶的是，在这个过程中，我们可以观察到一个缓慢衰减的非线性自相关函数，而没有时间间隔的厚尾分布。我们的模型应用于高频股票市场数据可以成功地描述非线性自相关函数的衰减斜率的股票市场收益。该模型实现了这一结果，连续的价格变化之间没有依赖性。这证明了事件间隔时间在所有股票市场中观察到的波动率聚集现象中的关键作用。
2020-04-11 physics.data-an q-fin.ST
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
Visibility-Graph Asymmetry as a Structural Indicator of Volatility Clustering
本文提出通过可见性图不对称性检测金融时间序列中的波动聚集现象，利用HVG不对称特征区分GARCH动态与噪声，实现高准确率识别。
2025-12-03 q-fin.CP q-fin.ST q-fin.TR
Volatility polarization of non-specialized investors' heterogeneous activity
金融市场为研究拥挤环境下的决策提供了一个理想的框架。数据的数量和准确性都允许应用来自物理学的工具和概念，这些工具和概念研究集体和涌现现象或自组织和高度异质的系统。我们分析了29，930名非专业人士的活动，这些人只占整个市场交易量的一小部分。非常异构的活动的个人遵守齐普夫定律，而同步网络属性揭示了一个社区结构。因此，我们将个体活动与金融市场中最显著的宏观信号（波动性）相关联，并量化个体如何因波动性而明显两极化。我们的同步网络的属性的波动性也表明，个人看的波动性，而不是直接模仿对方，从而提供了一个有趣的解释人类活动中的羊群现象。结果也可以改善基于代理的模型，因为它们提供了代理的参数的直接估计。
2013-02-13 q-fin.ST
Wavelet Based Volatility Clustering Estimation of Foreign Exchange Rates
我们提出了一种新的技术，检测金融时间序列的外汇汇率数据的美国-欧元美元（US/EUR）使用统计和光谱技术的组合。这是可能的，因为连续小波变换（CWT）分析已被广泛应用于各种领域的波动数据，科学和工程，也正在尝试在金融和经济。我们已经能够定性地确定存在的非线性和混沌的时间序列的外汇汇率为美国/欧元（美元对欧元）和美国/英国（美元对英镑）货币。有趣的是，我们发现，对于美国-印度（美元对印度卢比）的外汇汇率，没有观察到这样的混沌动力学。这可能是政府控制外汇汇率，而不是市场控制汇率的结果。
2009-10-01 nlin.CD q-fin.ST
Ensemble Forecasting for Intraday Electricity Prices: Simulating Trajectories
University of Duisburg-Essen（杜伊斯堡-埃森大学）
最近关于点电价预测的研究表明，每小时德国日内连续市场是弱式有效的。因此，我们采取了一种新颖的、先进的方法来解决这个问题。通过模拟每个交易窗口中的轨迹来执行每小时日内电价的概率预测，以接收真实的集合，从而允许更有效的日内交易和重新调度。一个广义的加法模型被拟合到价格差，假设它们遵循零膨胀分布，确切地说是狄拉克分布和学生t分布的混合。此外，使用具有套索惩罚的高维逻辑回归估计混合项。我们使用i.a.对序列的期望值和波动率进行建模。自回归和无交易效应或负荷、风能和太阳能发电预测，并考虑到例如到期时间的非线性。使用滚动窗口预测研究的样本内特性和预测性能进行了分析。多个版本的模型进行了比较，几个基准模型，并使用概率预测措施和显着性检验进行评估。该研究旨在预测德国日内连续市场在最后3小时交易中的价格分布，但该方法可以应用于其他连续市场，特别是欧洲市场。结果证明了混合模型的优越性，从波动率的建模中获得最多的基准。它们还表明，XBID的引入降低了市场波动。
2020-08-29 cs.LG cs.SY econ.EM
Unveiling correlations between financial variables and topological metrics of trading networks: Evidence from a stock and its warrant
交易者采用不同的交易策略，以最大限度地提高他们在金融市场的回报。这些交易策略不仅会导致交易网络中特定的拓扑结构，将交易者与成对的买卖关系联系起来，而且还会对市场动态产生潜在的影响。本文基于2005年8月22日至2006年8月23日宝钢股份及其权证的交易审计跟踪数据，详细分析了交易网络中交易者结构与市场行为的关系。在我们的研究中，我们将每个交易日分为48个时间窗口，每个时间窗口的长度为5分钟，在每个窗口内构建一个交易网络，并获得了超过1,100个交易网络的时间序列。我们发现，有很强的同时相关性之间的拓扑指标（包括网络中心化，指数，平均路径长度）的交易网络，订单执行模式和金融变量（包括回报率，波动性，交易持续时间，交易量）的股票和权证的特征。我们的分析可能为复杂系统中元素之间的微观相互作用如何影响系统的性能提供新的思路。
2013-08-05 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
