Non-Gaussianity of the Intraday Returns Distribution: its evolution in time
我们发现一个显着的时间持久性的各种代理的峰度（P-峰度）的日内回报率分布的标准普尔500指数，这允许一个显着的措施，他们的演变，从1983年至2004年。出现了一个长时间尺度的p-峰度的显着变化与波动率的变化不相关，从而证伪任何假设的一个普适形状的收益率的概率分布。峰度的大幅增加预示着10月87日的崩盘。在1991-2003年期间，即使在互联网泡沫期间波动性增加，它也持续下降。我们对这些结果提出了一些推测性的解释。
2011-12-09 q-fin.ST
A Validated Volatility-Volume-Gap Classifier for Regime Identification in MNQ Intraday Data
本文验证了波动-成交量-缺口分类器在MNQ日内数据中的市场模式识别能力，发现其阳性日存在日内行为特征，但所有交易策略在考虑成本和稳定性后均未通过验证。
2026-09-18 q-fin.CP q-fin.ST q-fin.TR
Robust Estimation of Realized Correlation: New Insights about Intraday Fluctuations in Market Betas
University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）；Goldman Sachs（高盛）
本文提出一种基于符号信息的子抽样象限相关估计量，兼顾稳健性与效率，实证发现美股市场贝塔的日内变化主要由相关性变化驱动。
2026-09-25 econ.EM q-fin.ST stat.AP
Model for Non-Gaussian Intraday Stock Returns
众所周知，股票价格表现出非高斯动态，人们对理解这种行为的起源很感兴趣。在这里，我们提出了一个模型，解释的形状和规模的分布的日内股票价格波动（称为日内回报），并验证模型使用大型数据库在伦敦证券交易所交易的几只股票。我们提供的证据表明，这些股票的收益率分布是非高斯的，形状相似，并且在日内时间尺度上分布稳定。我们解释这些结果，假设收益率的波动率是恒定的日内，但在较长的时间内变化，使其平方反比遵循伽马分布。这将产生在日内时间尺度上为Student分布的回报。预测结果与我们研究中所有股票的数据以及收益分布的所有区域都非常吻合。
2009-12-30 q-fin.RM 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
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
Decomposing the stock market intraday dynamics
相关矩阵的形式主义是用来研究股票市场演化的时间方面。这种形式主义允许将金融动态分解为噪声以及一些连贯的可重复的日内结构。本研究基于1997年11月至1999年9月期间的高频德意志银行指数（DAX）数据，并利用了相应的回报率和波动性变化。一个主要的结论是，大部分的股票市场动态是由不相关的噪声样过程。然而，在波动中存在少量的相干短期可重复结构的分量，这可能会产生在标准自相关函数分析中看到的一些记忆效应。与这些不同组成部分相关的波动规律各不相同，这表明金融波动具有极其复杂的性质。
2001-08-03 cond-mat.soft cond-mat.stat-mech q-fin.ST
Volatility in the Italian Stock Market: an Empirical Study
我们研究了1994年11月28日至1995年9月15日的MIB30股票指数高频数据的波动性。我们的目标是在连续时间金融框架下实证刻画波动率随机游走。为此，我们通过对数收益标准差计算指数波动率。我们选择了一个小时的时间窗口，以研究日内的波动特性。一个周期性的组件被发现的每小时的时间窗口，与以前的意见。波动的研究，通过去趋势波动分析，我们检测到的长期相关性。波动率值呈对数稳定分布。我们讨论了随机波动率模型的影响，这些结果。
1999-03-14 cond-mat.dis-nn cond-mat.stat-mech q-fin.ST
Non linear behaviour of stock market volatility
我们利用一个连续时间随机游走描述股票价格，以获得一个快速和准确的评估其波动性从日内数据。我们表明，金融市场被有效地描述为开放的物理系统。事实上，我们发现，决定市场波动的过程是不稳定的，而市场对外部波动冲击的反应在我们的实验数据所涵盖的两年多的时间内保持不变。此外，波动率增量的自相关函数在一天的时滞下产生约-0.4的值，这对我们分析的所有股票几乎相等。条件的自相关函数的评估，我们表明，市场的反应是非线性的，强烈稳定时，外部冲击推动更高的波动性。这种市场行为可以用不同时间跨度的参与者的行为来解释。
2004-10-29 cond-mat.other 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
Simulation-based Forecasting for Intraday Power Markets: Modelling Fundamental Drivers for Location, Shape and Scale of the Price Distribution
本文针对欧洲日内电力价格，利用可再生能源预测、停机和 merit-order 等基本面变量建模收益分布的位置、形状与尺度，并通过德国市场模拟预测验证其在尾部概率预测上的显著提升。
2022-11-23 econ.EM q-fin.CP q-fin.ST
Directional Price Forecasting in the Continuous Intraday Market under Consideration of Neighboring Products and Limit Order Books
针对现有电价预测方法忽略产品内动态、订单簿信号及跨产品数据的问题，提出融合多产品短期特征与限价订单簿特征的欧洲连续日内市场方向性电价预测方法，经德国市场数据验证可提升准确率且具备盈利潜力。
2025-08-20 q-fin.ST
Scaling and memory in the return intervals of realized volatility
本文对上海证券交易所综合指数（SSEC）和22只成分股的1 min { \em{realized volatility} }（定义为高频绝对收益之和）进行了收益区间分析。研究了连续已实现波动率超过一定阈值$q$的返回间隔的标度行为和记忆效应。与由最接近分钟标记的报价价格定义的波动率相比，已实现波动率的收益区间分布显示出更好的标度行为，因为20只股票（在22只股票中）和SSEC通过Kolmogorov-Smirnov（KS）检验并表现出缩放行为，其中8种股票的标度函数可以用KS优度指数所揭示的拉伸指数分布很好地近似，在5%的显著性水平下进行拟合检验。通过拟合指数$γ$和阈值$q$之间的关系进一步证实了改进的标度行为。此外，对于已实现波动率，不同股票的收益率区间分布也具有相似性。条件概率分布和去趋势波动分析（DFA）的研究表明，已实现波动率的收益区间存在短期记忆和长期记忆。
2009-08-19 q-fin.ST
Bayesian Dynamic Modeling of Realized Volatility in Financial Asset Price Forecasting
Duke University（杜克大学）
本文提出了一种新的贝叶斯动态模型，用于金融预测中的价格-实现波动率时间序列。通过将新的动态伽马过程模型与传统贝叶斯动态线性模型结合，改进了波动率杠杆和反馈效应的建模。
2026-05-12 q-fin.ST stat.ME
Short-term market reaction after extreme price changes of liquid stocks
在我们的实证研究中，我们使用纽约证券交易所和纳斯达克的数据，研究了流动性股票在经历了一个大的日内价格变化后的价格。我们发现，无论是在日内价格下跌和上涨显着逆转。结果对变化的参数是稳定的。在纽约证券交易所，买卖价差的大幅扩大消除了反向策略可以实现的大部分利润，而在纳斯达克，买卖价差几乎保持不变，产生了大量的短期异常利润。此外，波动性、成交量以及纽约证券交易所的买卖价差（在事件发生时急剧增加）按照幂律衰减，并在之后的几天内保持在很高的水平。
2004-06-28 cond-mat.other q-fin.ST
Improving S&P 500 Volatility Forecasting through Regime-Switching Methods
本研究针对标普500指数波动率预测问题，提出多种区制转换方法捕捉市场结构变化，基于11年SPX数据验证发现基于系数的聚类算法在疫情前后各阶段及不同预测周期下均优于基准模型，证明区制感知框架的有效性。
2025-09-21 cs.LG econ.EM q-fin.ST
Indication of multiscaling in the volatility return intervals of stock markets
波动率高于金融记录的阈值$q$之间的返回间隔$τ$的分布已被近似的缩放行为。为了探索缩放的准确性，从而理解强调的非线性机制，我们调查了由标准普尔500指数组成的500只股票的日内数据集。我们发现，累积分布的回报间隔有系统的偏离标度。我们通过研究m阶矩$μ_m \equiv <(τ/<τ>)^m>^{1/m}$来支持这一发现，它与平均间隔$<τ>$有一定的趋势。我们使用Schreiber方法生成替代记录，发现它们的累积分布几乎崩溃到一个单一的曲线和矩几乎是恒定的$<τ>$的大部分范围。这些实质性差异表明，原始波动率序列中的非线性相关性解释了与单一标度律的偏差。我们还发现，由于记录的离散性和有限大小效应，原始记录和替代记录分别表现出轻微的短和长$<τ>$趋势。为了尽可能避免这些影响，测试的多尺度行为，我们调查的时刻范围$10<<τ>\leq100$，并发现指数$α$从幂律拟合$μ_m\sim<τ>^α$有一个狭窄的分布周围$α\neq0$这取决于m的500支股票。代理记录的$α$的分布非常窄，并且以$α=0$为中心。这表明，由于原始波动率的非线性相关性，收益率区间分布表现出多尺度行为。
2007-07-31 physics.soc-ph q-fin.ST
Causal cascade in the stock market from the ``infrared'' to the ``ultraviolet''
对金融价格变化进行准确建模是投资组合优化、衍生品定价和对冲、基金管理和交易的重要步骤。观察到的复杂的价格波动指导和约束我们的理论理解代理人的相互作用和市场的组织。独立正态分布的价格增量的高斯范式长期以来一直被认为是不正确的，许多人试图对其进行改进，具有条件异方差的计量经济学非线性自回归模型及其推广只能不完全地捕捉波动相关性和价格变化概率分布函数的厚尾。此外，就时间尺度的变化而言，这些模型的所谓"聚合“特性不容易控制。最近，全pdf的尖峰状态被截断的“加法”Lévy飞行模型（TLF）描述。另外，Ghashghaie等人提出了价格动态和流体动力学动荡之间的类比。在这封信中，我们使用小波分解跨尺度的日内（S & P 500）收益率数据的波动性。我们发现，当调查两个点的关联函数的波动率曲线在不同的时间尺度，揭示了因果信息级联的存在，从大尺度（即小频率，因此可称为“红外”），以罚款规模（“紫外线”）。我们量化和可视化跨尺度的信息流。我们提供了一个可能的解释，我们的研究结果在市场动态方面。
1997-08-01 cond-mat.stat-mech q-fin.ST
