The Process of price formation and the skewness of asset returns
资产收益率的分布呈现出轻微的偏态。在本文中,我们表明,我们的模型的内生价格形成\cite{Reimann2006}创建一个不对称的回报分布,如果价格动态是一个过程,在这个过程中,连续的交易期间是相互依赖的,在这个意义上,开盘价等于收盘价的前一个交易期间。相应的参数$α$是从1999年1月1日至2004年12月31日的9个大型指数的每日价格估计的。对于标准普尔500指数,还计算了其所有构成资产的偏态分布。由于我们的模型的偏度分布进行了比较的经验偏度值的分布的单一资产。
2006-03-02 physics.soc-ph q-fin.ST
Generalized Distribution Prediction for Asset Returns
Reykjavik University(雷克雅未克大学);University of Southampton(南安普顿大学)
提出基于LSTM的两阶段分位数预测方法,结合资产特征与市场数据,通过核密度估计生成资产收益概率分布,在合成与真实数据上显著优于基线模型。
2025-01-28 cs.LG q-fin.ST
Relevant Stylized Facts About Bitcoin: Fluctuations, First Return Probability, and Natural Phenomena
比特币是一种数字金融资产,没有中央权威。这使得它在许多方面与传统的金融资产不同。例如,令牌的总数是有限的,并且它没有明确的使用价值。尽管如此,人们对它是否遵循传统金融资产中的程式化事实知之甚少。在这里,我们测试了比特币的一组这些程式化的事实,并得出结论,它的统计行为与大多数其他资产一样。例如,它表现出聚合高斯性和波动缩放。此外,我们通过与自然发生的地震进行类比,证明比特币同时遵守大森定律和古腾堡-里克特定律。最后,我们证明了自旋系统的全局持续性,呈现出类似于股票市场的指数幂律行为。
2019-05-03 q-fin.ST
Sparse Mean-Variance Portfolios: A Penalized Utility Approach
本文考虑不确定性下的均值方差优化,特别是当人们希望一个稀疏的最优投资组合权重集。从贝叶斯投资者的角度来看,我们的方法从许多潜在的资产中产生一个小的投资组合,同时承认资产回报和参数估计的不确定性。我们使用静态和动态模型来演示资产收益的过程。
2016-10-04 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
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
Optimizing Returns Using the Hurst Exponent and Q Learning on Momentum and Mean Reversion Strategies
动量和均值回归交易策略具有相反的特征。前者通常更适合趋势资产,后者通常更适合均值回复资产。使用赫斯特指数,它将时间序列分类为趋势或均值回复,我们试图在每种策略有利于产生更高的平均回报时进行交易。我们最终发现,使用赫斯特指数进行交易可以获得更高的回报,但也面临更高的风险。最后,我们考虑到我们的研究的局限性,并提出了一种使用Q学习的方法来改进我们的策略和实现的个人算法。
2022-05-23 q-fin.ST
Multifractal Model of Asset Returns versus real stock market dynamics
越来越多的经验证据表明,多重分形构成了另一个,也许是最重要的金融程式化事实。因此,一个现实的金融动态模型应该考虑到这一影响。在这方面,最有前途的是资产收益的多重分形模型(MMAR),其中的多重分形进行时间变形。在我们的研究中,我们专注于勒克斯扩展MMAR和华沙证券交易所的经验数据。我们表明,这个模型是能够再现真实的股票市场动态的相关方面。
2006-08-31 physics.soc-ph q-fin.ST
Interplay between endogenous and exogenous fluctuations in financial markets
我们解决微观,代理人为基础,宏观,随机,建模的金融市场结合它与外源噪声。代理人的内生动力学和外源噪声之间的相互作用是主要的机制,负责观察到的长期依赖性和高波动性的回报率区间的统计特性。我们所说的外生噪声是指信息流或/和订单流波动。基于所提出模型的数值结果表明,外生波动必须被视为金融市场综合建模不可或缺的一部分。
2016-11-19 q-fin.CP q-fin.ST
Housing risk and return: Evidence from a housing asset-pricing model
本文研究了住宅资产定价确定中的风险收益关系。在此过程中,本文评估了Case和Shiller(1988,2002,2009)在研究繁荣和繁荣后的住房市场时提出的行为假设。本文提出并检验了一个多因素住房资产定价模型。在该模型中,我们评估了市场因素以及其他风险指标(包括特质风险、动量和MSA规模效应)是否对大都市特定住房回报具有解释力。此外,我们还测试了资产定价结果对房价文献中常见的社会经济变量(包括就业、负担能力和止赎发生率的变化)的控制的稳健性。我们发现一个相当大的和统计上显着的市场因素对MSA房价回报的影响。此外,我们还发现,市场贝塔系数随着时间的推移而变化很大。此外,结果在很大程度上是稳健的,包括其他解释变量,包括风险和其他住房市场基本面的标准措施。使用Fama-MacBeth框架对模型有效性进行的其他测试进一步有力地支持了住房的积极风险和回报关系。我们的研究结果是支持的应用程序的住房投资风险回报框架的变化在大都市区横截面和时间序列的美国房价回报的解释。此外,研究结果有力地证实了Case-Shiller的调查研究,表明投机力量在决定美国住房回报方面的重要性。
2011-03-30 q-fin.PM q-fin.PR q-fin.ST
Financial ratios and stock returns reappraised through a topological data analysis lens
公司的财务状况是公认的回报预测指标,是资产定价文献中大量异常现象的灵感来源。采用拓扑数据分析,我们重新审视了七个最常见的研究财务比率和股票收益率之间的关联问题。具体来说,TDA球映射算法被应用于可视化的点云的财务比率作为一个抽象的二维图形,很容易允许识别因素之间的相互依赖关系。这些关系很少是单调的,投资者利用TDA提供的知识获利的机会比比皆是。明确的潜力所提供的工具,TDA揭示新的光资产定价模型的证明。受益的范围仅受分析师获得信息的限制。
2019-11-23 q-fin.ST
Heterogeneous expectations and long range correlation of the volatility of asset returns
受最近文献中聚合理论的启发,我们的目标是将股票收益波动的长期相关性与投资者对未来波动水平预期的异质性联系起来。基于投资者预期的半参数模型,我们将异质性参数的分布特性与已实现波动率的自协方差/自相关函数联系起来。我们报告不同的行为,或改变惯例,其观察取决于所考虑的市场阶段。特别是,我们报告和证明的事实,即波动性表现出显着更长的记忆在投机泡沫的阶段比在投机泡沫崩溃后的恢复阶段。
2008-08-11 physics.soc-ph q-fin.ST
Forecasting High-Dimensional Covariance Matrices of Asset Returns with Hybrid GARCH-LSTMs
Université Paris-Dauphine - PSL(巴黎第九大学(巴黎多菲纳大学)- PSL);Sorbonne Université(索邦大学)
一些学者研究了混合模型的能力,混合单变量广义自回归条件异方差(GARCH)模型和神经网络提供更好的波动性预测比纯粹的计量经济模型。尽管提出了非常有前途的结果,这种模型的推广到多变量的情况下,还有待研究。此外,很少有论文研究神经网络预测资产收益协方差矩阵的能力,并且所有论文都使用了相当少量的资产,因此没有解决所谓的维数灾难。本文的目的是研究混合模型,混合Gestival过程和神经网络,预测资产收益率的协方差矩阵的能力。为此,我们提出了一个新的模型,基于多变量GARCH分解波动性和相关性预测。波动率在这里使用混合神经网络预测,而相关性遵循传统的计量经济学过程。在最小方差投资组合框架下实现模型后,我们的结果如下。首先,添加Gestival参数作为输入对所提出的模型是有益的。其次,使用one-hot-encoding来帮助神经网络区分每只股票,提高了性能。第三,提出的新模型是非常有前途的,因为它不仅优于同等权重的投资组合,而且还通过一个显着的利润率的计量经济学对应,使用单变量GARCH预测波动率。
2021-08-25 cs.LG q-fin.ST
Copula-based deviation measure of cointegrated financial assets
本文提出一种基于Copula的稳健方法,用于度量协整金融资产收益间的相依关系,克服传统相关系数的局限性,提升评估的稳定性与信息量。
2023-12-04 q-fin.CP q-fin.ST q-fin.TR
Entropy-Based Financial Asset Pricing
我们研究熵作为金融风险的措施。与资本资产定价模型的贝塔参数相比,熵以更简单的方式解释了证券和投资组合的权益溢价,同时具有更高的解释力。对于资产定价,我们定义连续熵作为风险的替代度量。我们的研究结果表明,熵减少的证券数量的功能,在一个投资组合中的标准差类似的方式,有效的投资组合位于双曲线的预期收益率熵系统。在实证研究中,我们使用了150只随机选择的证券的27年的每日收益率。我们的回归结果表明,熵比资本资产定价模型beta对预期收益率有更高的解释力。此外,我们显示的时间变化的行为的beta随着熵。
2015-01-06 q-fin.PR q-fin.ST
Have your cake and eat it too: increasing returns while lowering large risks!
基于先前介绍的资产收益的重尾多变量分布的忠实表示(Sornette等人,1998,1999),我们扩展到非对称收益分布的情况下,我们推广的收益-风险有效边界的概念,将嵌入在尾部的资产分布的大风险的尺寸。我们证明,它往往是可能的,以增加投资组合的回报,同时减少大的风险量化的四阶和高阶累积量。通过实验验证了理论公式的正确性。
1999-07-15 cond-mat.stat-mech q-fin.ST
A simple microstructure return model explaining microstructure noise and Epps effects
我们提出了一个简单的微观结构模型的金融回报,结合(i)著名的ARFIMA过程应用于逐点回报,(ii)买卖反弹效应,(iii)厚尾结构的分布回报和(iv)非泊松统计的交易间隔。该模型可以定性和定量地解释微观结构收益统计中的一些重要的程式化事实,包括收益的短期相关性、绝对收益的长期相关性、微观结构噪声和Epps效应。根据微观结构噪声效应,波动率是估计波动率的时间尺度的减函数,而Epps效应则认为资产收益率之间的互相关性是估计收益率的时间尺度的增函数。微观结构噪声被解释为在买卖反弹组件(ii)的定义中固有的负回报相关性的结果。在两种资产的收益之间存在真正的相关性的情况下,埃普斯效应是由于在存在长记忆过程(i)的情况下,在有限时间尺度上定义的两种资产的收益动量的平均统计重叠。
2012-02-17 q-fin.ST q-fin.TR
Conditional heteroskedasticity in crypto-asset returns
本文使用已建立的计量经济学推理技术,即Gesthem家族模型,研究了比特币等加密货币资产的时间序列特性。这项研究的贡献是双重的。我探索了加密货币的时间序列特性,这是一种新型的金融资产,似乎很少或根本没有文献。我建议对Chu et al(2017)最近提出的计量经济学规范进行改进,这是第一个研究最流行的加密货币价格动态的计量经济学研究。关于他们研究可靠性的问题源于作者对甘精胰岛素创新分布的错误诊断。通过使用Kolmogorov型非参数检验和Khmaladze鞅变换,检查创新是否是高斯或GED。对于样本中的所有加密货币,所有GARCH(p,q)模型都强烈拒绝了高斯性,其中$p,q \in \{1,\ldots,5 \}$。对于正态性检验,我使用高斯-克朗罗德求积。利用广义误差分布的新息,利用极大似然估计GARCH模型的参数。为了计算P值,使用参数bootstrap方法。反对Chu et al(2017),我表明在一些常见假设下,有一个强有力的实证论据反对建模创新。
2018-12-24 q-fin.GN q-fin.ST
Nonlinear Factor Decomposition via Kolmogorov-Arnold Networks: A Spectral Approach to Asset Return Analysis
Faculty of Mathematics and Computer Science, University of Bucharest(布加勒斯特大学数学与计算机科学学院)
本文提出KAN-PCA,一种利用KAN作为编码器和线性映射作为解码器的自编码器,通过在每条边上使用学习的B样条函数替代线性投影,以捕捉比传统PCA更多的方差。实验表明KAN-PCA在20只S&P 500股票上实现了更高的重建R²值,并在修正数据泄露后与PCA外推结果一致。
2026-06-04 cs.LG q-fin.ST
Multifractal model of asset returns with leverage effect
多重分形过程是股票市场分析的一个相对较新的工具。它们的力量在于能够明确地考虑多阶自相关。在本文的第一部分中,我们讨论了勒克斯模型的框架,并完善了潜在的现象学图片。我们也给出了一个过程,拟合所有参数的经验数据。我们提出了一种新的方法来考虑有效长度的幂律记忆的波动。本文的第二部分论述了收益不对称的后果。我们将两个相关的程式化的事实,偏度和杠杆自相关模型。然后从蒙特卡洛测量,我们表明,这种不对称性显着增加波动率预测的均方误差。基于过滤方法,我们给出了类似的行为在经验数据的证据。
2004-05-11 cond-mat.other cond-mat.stat-mech q-fin.ST
On the dependence structure of the trade/no trade sequence of illiquid assets
在本文中,我们建议考虑的依赖结构的贸易/没有贸易分类序列的个别非流动性股票收益。这里考虑的框架是广泛的恒定和随时间变化的零收益概率是允许的。我们的方法在突出非流动性股票的功能的能力,强调了各种情况。更具体地说,我们表明,长期的贸易/无贸易分类序列的影响可能会被虚假地检测到存在一个非恒定的零收益概率。蒙特卡罗实验,并从智利金融市场的股票分析,说明了本文中开发的工具的实用性。
2022-02-21 math.ST q-fin.ST stat.TH
Sharper asset ranking from total drawdown durations
提取的总持续时间被证明提供了一个时刻免费的,无偏的,有效的和强大的估计夏普比率的高斯和厚尾的价格回报。然后,我们使用这个数量来推断的偏差的时刻为基础的夏普比率估计的收益分布尾部指数的函数的解析表达式。在任何给定的时间资产之间的尾部指数的异质性意味着,我们的新方法产生显着不同的资产排名比那些基于矩的方法,特别是在大波动的时期。这一点通过使用3449只流动性美国股票的20年历史数据得到了充分证实。
2017-02-08 physics.soc-ph q-fin.ST stat.ME
Statistical Arbitrage Risk Premium by Machine Learning
如何在不知道因子的身份的情况下对冲因子风险?我们首先证明了一个一般性的理论结果:即使无法确定确切的因素集,任何风险资产都可以使用类似的同类资产的投资组合来对冲自己的因素风险。风险资产的多头头寸和同类资产的“复制投资组合”的空头头寸代表该资产的要素剩余风险。我们将一项资产的要素剩余风险的预期收益率称为其统计套利风险溢价(SARP)。经验估计SARP的挑战是找到每种资产的同行,并构建复制的投资组合。我们使用弹性网络,一种机器学习方法,将每只股票的过去回报投射到其他股票的回报上。由此产生的高维但稀疏的投影向量作为构建股票复制投资组合的投资权重。我们说一只股票有高(低)统计套利风险(SAR),如果它有低(高)R平方与它的同行。关键的发现是,“独特”的股票有一个更高的SARP和更高的超额收益率比“无处不在”的股票:在横截面中,高SAR股票的每月SARP(每月超额收益率)是1.101%(0.710%)比低SAR股票。所有股票的平均SAR是反周期的。我们的结果是强大的控制各种已知的定价因素和特点。
2021-03-18 q-fin.PM q-fin.ST
A News-based Machine Learning Model for Adaptive Asset Pricing
Cornell University(康奈尔大学)
本文提出了一种新的资产定价模型--新闻嵌入UMAP选择模型(NEUS),来解释和预测基于财经新闻的股票收益。使用各种机器学习算法的组合,我们首先从金融新闻中获得每个基础资产的公司嵌入向量。然后我们根据其公司嵌入获得基础资产的集合。然后,针对每只股票,选取基础资产,用高维统计方法对股票收益率进行解释和预测。新的模型被证明有一个显着更好的拟合和预测能力比法玛-法国5-因子模型。
2021-06-13 cs.LG q-fin.ST stat.ME
Comparing Bitcoin and Ethereum tail behavior via Q-Q analysis of cryptocurrency returns
本文利用GTS分布参数和Q-Q图对比比特币与以太坊日收益尾部行为,发现两者均呈重尾分布,但以太坊极端值频率更高,尾部风险更突出。
2025-06-26 math.PR q-fin.ST
On the potential of quantum walks for modeling financial return distributions
本文研究离散时间量子游走建模资产价格演化的潜力,通过与经典方法比较,证明其能更灵活地刻画非对称收益、复杂趋势及极端事件风险。
2024-12-04 q-fin.GN q-fin.ST quant-ph
Variance-Corrected Multi-Asset Equity Simulation with Hybrid Hidden Markov Marginals
Cornell University(康奈尔大学)
本文提出混合隐马尔可夫模型,通过离散状态和跳跃-扩散机制建模股权超额增长率动态,实现更准确的分布和波动聚类再现。
2026-10-01 cs.LG q-fin.RM q-fin.ST
Detecting Changes in Asset Co-Movement Using the Autoencoder Reconstruction Ratio
University of Oxford(牛津大学)
检测资产协同运动的变化对金融从业者来说非常重要,及时检测历史相关性的故障会带来许多风险管理好处。在本文中,我们提出了一个实时指标来检测资产协同运动的临时增加,即自动编码器重建比率,它衡量了使用低维潜变量集对一篮子资产回报进行建模的效果。ARR使用深度稀疏去噪自动编码器对返回向量进行降维,取代了标准吸收比的PCA方法,为非高斯返回提供了更好的模型。通过对CRSP美国总市场指数预测的系统性风险应用,我们发现较低的ARR值与较高的波动性和较大的提取相一致,表明资产协同运动的增加确实与市场疲软时期相对应。我们还表明,短期(即5分钟和1小时)预测实现波动和市场崩溃,可以改善包括额外的ARR输入。
2020-09-27 cs.LG q-fin.PM q-fin.ST
Sector-Based Factor Models for Asset Returns
因子分析是一种统计技术,用于评估观察到的变量如何通过共同因素和独特变量相互关联。虽然它经常被用来分析不稳定的股票市场的价格变动,但它并不总是产生容易解释的结果。在这项研究中,我们开发了改进的因子模型,明确纳入我们所研究的股票的行业信息。我们增加了11个部门的股票定义的IBES,代表各自的部门特定的因素,非特定的市场因素,以修改因子模型。然后,我们开发了一个期望最大化(EM)算法来计算我们的修正模型与15年的价值标准普尔500指数股票的每日收盘价。我们对大多数行业的研究结果表明,几乎所有这些因素的组成部分都有相同的符号,这与同一行业的股票往往随着时间的推移而协调上涨和下跌的直观想法一致。与此相反,经典因子模型得到的结果是正负成分的均匀混合。我们的结论是,我们的部门为基础的因子模型产生的结果是更可解释的经典的非部门为基础的模型,至少在某些股票部门。
2014-08-11 q-fin.ST stat.AP
Optimal Investment Horizons
在随机金融学中,人们传统上认为收益是资产的竞争性度量,{ \it即},资产在某个固定时间跨度$Δt$(比如一周或一年)之后产生的利润。这衡量了资产在给定时间段内的表现有多好(或多差)。已经确定的是,收益的分布呈现“肥尾”,表明大收益的出现频率高于标准高斯随机过程的预期(Mandelbrot-1967,Stanley 1,Doyne)。而不是估计这种“肥尾”的回报分布,我们在这里提出了一种替代方法,它是通过解决以下问题概述:什么是最小的时间间隔所需的资产跨越固定回报水平,比如说10%?对于特定资产,我们将此时间称为{ \it投资期限},将相应的分布称为{ \it投资期限分布}。后一种分布是对收益分布的补充,并为投资组合设计和风险管理以及更为奇异的期权定价提供了新的、可能至关重要的信息。通过考虑历史金融数据,例如道琼斯工业平均指数,我们得到了一组新的概率分布的投资期限,可用于估计股票或期货合约的最佳投资期限。
2002-02-20 cond-mat.stat-mech nlin.CD physics.comp-ph
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
Robustification of Elliott's on-line EM algorithm for HMMs
在本文中,我们建立了一个鲁棒性的在线算法内的隐马尔可夫模型(HMM)的资产价格建模。在该隐马尔可夫模型框架中,模型参数由离散时间的马尔可夫链引导,资产收益率参数可以在不同的状态之间切换。参数估计通过一个在线算法,它利用传入的信息从市场,并导致自适应最优估计。我们鲁棒此算法一步一步对添加剂异常值出现在观察到的资产价格的理由,以更好地处理可能的峰值或资产收益率的失踪。
2013-04-07 q-fin.ST stat.CO stat.ME
Leptokurtic Portfolio Theory
最优投资组合的问题得到解决。传统的Markowitz投资组合优化进行了讨论,由于非高斯证券收益的缺点进行了概述。提出了一种方法,以尽量减少极端的非高斯提取的投资组合价值的可能性。该理论被称为Leptokurtic,因为它最大限度地减少了回报率“肥尾”的影响。尖峰投资组合理论为投资者提供了一个最优投资组合,他们将风险厌恶定义为不愿意经历资产价格的急剧下跌。定义了两种类型的资产收益风险:具有高斯分布的波动风险和处理分布尾部的缩减风险。这些风险是通过定义“噪声核”来定量测量的--噪声核是资产回报空间中的一个椭圆形点云。椭圆的大小由阈值参数控制:阈值参数越大,投资者接受的正常波动回报越大。利用落入核函数的收益向量计算波动风险。类似地,落在内核之外的数据点用于计算缩编风险。因此,投资组合优化问题变成了三维的:除了回报,还涉及两种类型的风险。提取厌恶投资者的最优投资组合是噪声核外方差最小化的投资组合。该理论已被测试与摩根士丹利资本国际北美,欧洲和太平洋总回报股票指数。
2005-09-26 physics.soc-ph q-fin.ST
Safety Third: Roy's Criterion and Higher Order Moments
本文将罗的安全第一准则扩展到非正态回报情形,通过Cornish Fisher展开,得出与一阶随机支配一致的投资目标,并在正态回报情况下等同于夏普比率。
2015-06-13 econ.GN q-fin.EC 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
Parsimonious Quantile Regression of Financial Asset Tail Dynamics via Sequential Learning
The Chinese University of Hong Kong(香港中文大学);Tencent AI Lab(腾讯人工智能实验室);City University of Hong Kong(香港城市大学)
我们提出一个简约分位数回归框架来学习金融资产收益率的动态尾部行为。我们的模型很好地捕捉了金融时间序列的时变特性和非对称重尾特性。它结合了流行的顺序神经网络模型的优点,即,LSTM,我们构造了一个新的参数分位数函数来表示资产收益的条件分布。我们的模型还单独捕获了高阶矩的序列依赖性,而不仅仅是波动性。在广泛的资产类别中,我们的模型的条件分位数或VaR的样本外预测优于Gestival家族。此外,所提出的方法不会遭受的问题,分位数交叉,也没有暴露的不适定性相比,参数概率密度函数的方法。
2020-10-16 cs.LG q-fin.RM 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
A 4% withdrawal rate for American retirement spending, derived from a discrete-time model of stochastic returns on assets and their sample moments
本文提出一个离散时间模型,通过考虑资产回报的随机性和样本矩,推导出美国退休支出的4%规则,并探讨了杠杆对退休消费的影响。
2025-12-07 q-fin.PM q-fin.ST stat.AP
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
Multiplicative Asset Exchange with Arbitrary Return Distributions
来自贸易互动的保守财富交换过程被建模为价值的乘法随机转移,其中每个互动将两个干预代理中最穷的代理的财富乘以随机增益eta=(1+kappa),其中kappa是随机回报。通过分析财富分布P(w,t)的动力学方程,得到了任意收益分布pi(kappa)的一般性质。如果收益的几何平均值大于1,即如果<ln eta>>0,则在长时间限制内获得非平凡的均衡财富分布P(w)。另<ln eta>一方面,每当<0时,就会发生财富浓缩,这意味着从长远来看,单个代理人将获得全部财富。即使穷人的平均收益是正的,这种集中现象也会发生<kappa>。在稳定阶段,P(w)的行为与w^{(T-1)}相同,其中w -> 0,并且我们精确地找到T。该指数在稳定相中不为零,但在接近凝结界面时趋于零。对于凯利赌博的特殊情况,可以通过分析获得确切的财富分布,结果是指数分布。然而,我们表明,我们的模型是永远不可逆的,无论π(kappa)是什么。在凝聚阶段,相对秩为x的主体的财富被发现是w(x,t)\sim e^{x t<ln eta>},对于有限次t。因此,财富分布在有限时间内是P(w)\sim 1/w,而所有财富在很长时间内最终都掌握在一个代理人手中。进行了数值模拟,并发现令人满意的比较与上述的解析结果。
2011-08-01 cond-mat.stat-mech q-fin.GN q-fin.ST
Enhancing a Risk Model by Adding Transient Statistical Factors
Stanford University(斯坦福大学);BlackRock(贝莱德)
本文提出基于最大似然估计的方法,通过优化现有因子模型并引入新统计因素,以捕捉市场变化和瞬态因素,提升风险模型的准确性。
2026-05-13 q-fin.MF q-fin.RM q-fin.ST