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
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
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
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
Time-varying volatility in Bitcoin market and information flow at minute-level frequency
本文通过广义自回归条件异方差(GARCH)族统计模型分析了比特币市场上分钟价格收益率的时间序列。在金融学中已经提出了几个数学模型来模拟价格回报的动态,每个模型都引入了不同的视角来研究这个问题,但没有一个是没有缺点的。我们结合了一种方法,使用历史价值的回报和他们的波动率-Gesthem家族的模型,与所谓的“混合分布假说”,它指出,价格回报的动态是由有关市场的信息流。使用比特币相关推文的时间序列和交易量作为外部信息,我们测试了几个GARCH模型变体在分钟级别的比特币价格时间序列上的波动率预测的改进。统计检验表明,最简单的GARCH(1,1)的反应最好的外部信号的添加模型的波动过程的样本外数据。
2021-01-28 q-fin.ST
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
Implied volatility smile dynamics in the presence of jumps
本文的主要目的是研究隐含波动率微笑在跳跃前后的微笑行为,为基于日内期权数据的微笑动态的高频分析文献做出贡献。从我们的高频SPX S\&P500指数期权数据集,我们利用前三个主成分来表征隐含波动率微笑,并通过一天中第一个小时的得分均值和方差分布以及其他统计数据来分析其动态,在检测到跳跃和未检测到跳跃的情况下。我们的分析清楚地表明,波动率微笑的变化在跳跃附近具有异常的属性,与没有跳跃相比,无论期权的到期日和类型如何。
2020-05-13 q-fin.ST
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
Application of Hawkes volatility in the observation of filtered high-frequency price process in tick structures
本研究推导了适用于tick级价格动态的未标记和标记Hawkes模型方差公式,将Hawkes波动率应用于0.1秒间隔滤波的中间价过程,验证了其在实时风险管理中的可靠性和日内预测能力。
2024-09-21 q-fin.ST stat.CO
Uncovering Long Memory in High Frequency UK Futures
准确的波动率建模对于最佳风险管理实践至关重要。金融波动的一个程式化的特点,影响建模过程是长记忆本文探讨的替代风险措施,观察到的绝对和平方收益的高频日内英国期货。利用股票指数、利率和债券期货三种不同资产类型的波动率序列进行了分析。债券合约的长记忆最强。长记忆对于绝对收益序列和k < 1的幂变换总是最强的。长记忆的研究结果通常包括日内周期性。包含七个相关GARCH过程的APRECT模型通常对期货系列进行建模,充分记录了GARCH、GARCH和杠杆效应。
2011-03-29 q-fin.ST
Stock Volatility Prediction Based on Transformer Model Using Mixed-Frequency Data
本文提出结合 GARCH-MIDAS 混频处理与 Transformer 的股票波动率预测框架,融合客观技术/宏观指标和百度搜索指数主观因素,将均方误差由1.00降至0.86。
2023-09-28 q-fin.ST
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
Volatility is rough
从最近的高频数据估计波动率,我们重新审视的波动过程的平滑性的问题。我们的主要结果是,对数波动率的行为本质上是一个分数布朗运动的赫斯特指数H的顺序为0.1,在任何合理的时间尺度。这导致我们采用分数随机波动率(FSV)模型的孔德和雷诺。我们称我们的模型为粗糙FSV(RFSV),以强调与FSV相比,H<1/2。我们证明,我们的RFSV模型是非常一致的金融时间序列数据,一个应用程序是,它使我们能够获得改进的预测已实现波动率。此外,我们还发现,虽然波动在RFSV模型中不是长记忆,但经典的检验波动持续性的统计方法往往会得出波动具有长记忆的结论,这也解释了波动具有长记忆的事实为何被广泛接受.最后,我们为我们的研究结果提供了一个基于定量市场微观结构的基础,将波动的粗糙度与高频交易和订单分割联系起来。
2014-10-13 q-fin.MF q-fin.ST q-fin.TR
Stochastic leverage effect in high-frequency data: a Fourier based analysis
随机杠杆效应定义为收益率与其相关波动率之间的标准化协变,在一个随机波动率模型中进行了分析。一种新的估计的效果定义使用的傅立叶系数的回报率和波动过程的预估计。证明了估计量的相合性。此外,它的有限样本性质的存在下的微结构噪声效应进行了研究。傅立叶方法应用于标准普尔500指数期货价格调查的随机杠杆效应的大小检测在高频。
2021-03-08 q-fin.ST q-fin.TR
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
Analysis of Realized Volatility in Two Trading Sessions of the Japanese Stock Market
我们分析了使用东京证券交易所高频股票数据构建的已实现波动率。为了避免波动率计算中的非交易时间问题,我们定义了两个已实现波动率,分别在东京证券交易所的两个交易时段,即上午和下午时段计算。在计算了不同采样频率下的已实现波动率之后,我们评估了作为采样频率的函数的来自微结构噪声的偏差。考虑到对已实现波动率的偏差,我们检验了由已实现波动率标准化的收益率,并确认东京证券交易所的价格收益率近似地由具有时变波动率的高斯时间序列描述,即与混合分布假设一致。
2013-04-22 physics.data-an q-fin.ST
Probabilistic and statistical properties of moment variations and their use in inference and estimation based on high frequency return data
我们讨论的概率性质的变化为基础的第三和第四时刻的金融收益率的实际时刻的收益率分布的估计。矩变分是在非参数假设下用二次变分方法定义的,但为了计算的易处理性,我们使用平方根随机波动率模型来推导估计的矩条件。利用标准普尔500指数的高频数据,利用矩变差的已实现形式对随机波动率模型进行了估计。本文提出了一种利用样本均值和ARMA估计的随机波动率模型的简单估计方法。此外,我们比较的结果与广义矩估计方法的基础上实现的时刻和滞后值之间的连续关系。
2015-07-30 q-fin.ST
The microstructural foundations of leverage effect and rough volatility
我们发现,市场参与者在高频尺度上的典型行为产生了杠杆效应和粗糙波动。为此,我们建立了一个简单的微观模型的基础上霍克斯过程的资产价格。我们在该模型中编码了高频交易背景下市场微观结构的一些主要特征:市场的高度内生性、无套利属性、买卖不对称性和元订单的存在。我们证明,当前三个程式化的事实被认为是在我们的微观模型的框架内,它的行为在长期作为一个赫斯顿随机波动率模型,其中产生杠杆效应。加入最后一个性质使我们能够得到一个粗略的赫斯顿模型在极限,表现出杠杆效应和粗略的波动率。因此,我们表明,杠杆效应和粗糙波动率的基础至少有一部分可以在资产的微观结构中找到。
2016-09-16 q-fin.MF q-fin.ST q-fin.TR
Multivariate Modeling of Daily REIT Volatility
本文采用多变量GARCH模型研究了REITs的波动性。多变量VAR-GARCH技术记录了REITs子行业之间的回报率和波动率联系,并研究了其他美国股票系列的影响。投资者的动机是将时变波动率和相关性纳入他们的投资组合选择。结果表明,当测试更高频率的每日数据时,与现有文献中常用的月度数据相比,结果存在差异。REITs部门内部以及REITs与价值股等相关部门之间的联系都比月度研究中常见的联系要弱。在日常情况下,大盘似乎更具影响力。
2011-03-29 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
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
Rough volatility: evidence from option prices
最近的研究表明,现货波动率可以很好地模拟粗糙随机波动率型动态。在这类模型中,对数波动率服从分数布朗运动,Hurst参数小于1/2。这一结果是使用历史价格数据的高频波动估计建立的。我们通过研究基于隐含波动率的现货波动率近似值来重新审视这一发现。使用短期标准普尔500指数的价值期权,我们能够确认波动性是粗略的。这里发现的赫斯特参数,顺序为0.3,略大于通常从历史数据中获得的。这很容易从平滑效应中解释,因为所考虑的期权的剩余到期时间。
2017-02-09 q-fin.MF q-fin.ST
Local Parametric Estimation in High Frequency Data
本文给出了一个一般的时变参数模型,其中多维参数可能包含跳跃。关注量定义为参数过程$Θ= T^{-1} \int_0^T θ_t^* dt$随时间的积分值。我们提供了一个局部参数估计(LPE)的$Θ$和条件下,我们可以证明中心极限定理。粗略地说,这些条件对应于一些统一的极限理论的参数版本的问题。该框架限于特定的收敛速度$n^{1/2}$。LPE的几个例子进行了研究:估计的波动性,波动的权力,波动时,将交易信息和随时间变化的MA(1)。
2018-08-21 math.ST q-fin.ST stat.TH
Recurrent neural network based parameter estimation of Hawkes model on high-frequency financial data
本文提出用循环神经网络估计高频金融数据的 Hawkes 模型参数并计算波动率,在保持与最大似然估计相当精度的同时显著提速,可支持实时连续波动率估计。
2023-04-24 q-fin.ST q-fin.TR stat.ML
A GMM approach to estimate the roughness of stochastic volatility
Aarhus University(奥胡斯大学);Imperial College London(伦敦帝国学院)
本文提出了一种基于GMM的随机波动粗糙度估计方法,通过控制测量误差影响,展示了在高频数据中估计Hurst指数的稳健性。
2026-01-15 math.ST q-fin.ST stat.TH
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
Stock price jumps: news and volume play a minor role
为了了解股票价格跳跃的起源,我们将股票收益率的高频时间序列与不同的新闻源进行交叉相关。我们发现,无论是特质性消息还是市场广泛的消息都不能解释价格跳跃的频率和幅度。我们发现,围绕跳跃和围绕消息的波动模式是完全不同的:跳跃之后是波动性增加,而消息往往是平均跟随较低的波动性水平。波动率松弛的形状在两种情况下也明显不同。最后,我们提供了直接的证据表明,大的交易量是_不_负责大的价格跳跃。我们推测,大多数价格跳跃是由接近流动性消失点的订单流波动引起的。
2008-03-12 physics.data-an physics.soc-ph q-fin.ST
Bayesian Inference on Volatility in the Presence of Infinite Jump Activity and Microstructure Noise
基于高频数据的波动率估计是准确计量和控制金融资产风险的关键。具有无限跳跃活动和微观结构噪声的Lévy过程被认为是高频金融数据的最简单但足够准确的模型之一。利用这个模型,我们提出了一个“故意错误指定”后的波动率忽略跳跃组件的过程。错误指定的后验进一步校正的位置偏移和重新缩放的对数似然的简单估计。我们的主要结果建立了Bernstein-von Mises(BvM)定理,该定理指出,建议调整后的后验是渐近高斯的,以一致估计为中心,方差等于Fisher信息的倒数。在没有微观结构噪音的情况下,我们的方法可以扩展到一般伊藤半鞅的积分方差的推断。仿真结果证明了所得到的可信区间的准确性,以及基于调整后验的近似贝叶斯推理的频率论性质。
2019-09-11 econ.EM math.ST q-fin.ST
SpotV2Net: Multivariate Intraday Spot Volatility Forecasting via Vol-of-Vol-Informed Graph Attention Networks
本研究提出SpotV2Net图注意力网络模型,纳入波动率的波动率相关傅里叶估计特征,在道指成分股实证中预测准确率显著优于基准模型,并借助可解释工具识别关键子图。
2025-01-13 q-fin.CP q-fin.ST
From microscopic price dynamics to multidimensional rough volatility models
粗略波动率是金融资产的一个公认的统计风格化事实。这一性质导致了各种新的粗糙随机波动率模型的设计和分析。然而,这些发展大多是在单一资产情况下进行的。在这项工作中,我们表明,一些特定的多元粗糙波动率模型自然产生的微观结构属性的联合动态的资产价格。为此,我们使用Hawkes过程来构建微观模型,精确再现高频跨资产交互,并研究其长期缩放限制。我们强调我们的方法的相关性,通过提供微观特征的作用,如动量和均值回归的多维价格形成过程的见解。我们特别恢复高维股票相关矩阵的经典性质。
2019-10-30 math.PR q-fin.MF 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
Modeling Regime Structure and Informational Drivers of Stock Market Volatility via the Financial Chaos Index
Department of Mathematical and Computational Sciences(数学与计算科学系)
本文提出基于修正对数正态幂律分布的机制转换框架,通过金融混沌指数识别出三种股市波动机制,并利用弹性网回归证实宏观经济与地缘等不确定性对VIX隐含波动率具强预测力。
2025-04-26 cs.LG q-fin.ST
The fine-structure of volatility feedback I: multi-scale self-reflexivity
我们试图揭示的波动反馈效应的一般二次自回归(QRST)模型的背景下,假设今天的波动可以表示为一个一般的二次形式的过去的每日回报的精细结构。当二次核是对角的时,恢复标准的Gestro或Gestro框架。这些模型在美国股票回报率上的校准揭示了几个意想不到的特征。二次核的非对角(非对角)系数被发现在样本内和样本外都是非常重要的,但所有这些系数都比对角元素小一个数量级。这证实了每日收益率在波动反馈机制中发挥着特殊的作用,正如TMF模型所假设的那样。反馈核表现出令人惊讶的复杂结构,与迄今为止在文献中提出的模型不兼容。它的频谱特性表明存在的波动中性模式的过去回报。二次核的对角部分被发现衰减的滞后的幂律,符合波动的长期记忆。最后,QRST模型表明,在金融时间序列中存在一些违反时间反射对称性的现象,这些现象确实是经验上观察到的,尽管幅度比预测的要小得多。我们推测,一个忠实的波动率模型应该包括两个反馈效应和随机成分。
2013-09-23 q-fin.GN q-fin.ST
Inference for Volatility Functionals of Multivariate Itô Semimartingales Observed with Jump and Noise
在高频噪声背景下,给出了一般多变量Itô半鞅非线性波动泛函的非参数推断.预平均和截断使得能够同时处理噪声和跳跃。二阶展开揭示了显式偏差和偏差校正的途径。基于此框架的估计器实现了最优的收敛速度。在渐近协方差阵可估计的条件下,得到了一类稳定的中心极限定理。本文为实现的拉普拉斯变换、实现的主成分分析、连续时间线性回归和广义积分矩法等的填充渐近结果奠定了基础,从而有助于将应用范围扩展到更频繁采样的噪声数据。
2019-11-06 math.ST q-fin.ST stat.ME
Marked Hawkes process modeling of price dynamics and volatility estimation
建立了一个简单的包含市场微观结构噪声和交易聚类的价格报价结构动力学Hawkes模型。本文将该模型扩展为随机标记,以处理更符合实际的股票价格报价结构。我们研究了价格动态跳跃对未来走势的影响以及跳跃大小和地面强度之间的依赖关系。基于随机和统计方法推导了波动率公式,并与已实现波动率进行了模拟和实证研究。与简单Hawkes模型类似,标记Hawkes模型也可以用来估计日内波动率。
2019-07-28 q-fin.ST q-fin.TR
Kernel Estimation of Spot Volatility with Microstructure Noise Using Pre-Averaging
我们首先回顾的问题,估计现货波动率的伊藤半鞅使用核估计。证明了一般双边核的一个具有最优收敛速度的中心极限定理。接下来,我们引入了一个新的预平均/核估计现货波动率处理超高频观测的微观结构噪声。我们证明了一个中心极限定理的估计误差的最佳率和研究的最佳选择的带宽和核函数。我们表明,预平均/内核估计的渐近方差是最小的指数内核,因此,证明需要与内核的无界支持在这项工作中提出的。我们还开发了一个可行的实现建议的估计与最佳带宽。蒙特卡罗实验证实了所设计的方法的优越性能。
2022-02-07 econ.EM math.ST q-fin.ST
Modeling microstructure price dynamics with symmetric Hawkes and diffusion model using ultra-high-frequency stock data
本研究从理论和实证两个方面探讨了价格最小报价结构的对称霍克斯模型。结合极大似然估计,该模型为超高频分析提供了一种合适的波动率估计方法。利用标准普尔500指数的超高频数据对模型进行了实证研究。的波动性措施,日内估计,和参数的动态性能进行了讨论。本文提出了一种新的对称Hawkes模型的扩散模拟方法,其分布性质与Hawkes模型非常接近。作为一个扩散过程,该模型在计算方差公式、合并偏度和检查概率属性时提供了更多的分析简单性。使用模拟的最大似然法进行的扩散模型的估计,并显示出类似的模式的霍克斯模型。
2019-08-14 q-fin.ST q-fin.TR
The fine structure of volatility feedback II: overnight and intra-day effects
我们分解,在一个框架内,股票的每日波动到隔夜和日内的贡献。我们发现,正如预期的那样,隔夜和日内收益表现完全不同。例如,虽然过去的日内收益率对未来的日内波动率和隔夜波动率的影响相同,但过去的隔夜收益率对未来的日内波动率的影响很弱(除了下一个),但对未来的隔夜波动率的影响很大。隔夜波动的外生成分接近于零,这意味着隔夜波动的大部分来自反馈效应。日内收益率的剩余峰度很小,但隔夜收益率的剩余峰度是无穷大的。我们为这些发现提供了一个合理的解释,并表明我们的日内/隔夜模型显着优于基于样本外预测的每日回报的标准ESTA框架。
2014-05-20 q-fin.ST stat.AP