تجميع أنظمة التقلب لتجنب المخاطر التكيفي

الملخص

تعرض الدراسة طريقة غير خاضعة للإشراف لتحديد عدد أنظمة التقلب اعتمادًا على البيانات في السلاسل الزمنية المالية غير المستقرة. وتستخدم كشف نقاط التغير لتقسيم كل سلسلة إلى مقاطع مستقرة محليًا، وتقيس المسافات بين توزيعات المقاطع، ثم تجمع هذه المقاطع في أنظمة منفصلة عبر إجراء تحسين. ويطبق الباحثون الطريقة على مؤشرات مالية وأسهم الشركات الكبرى وصناديق الاستثمار المتداولة وأزواج العملات.

كما يصفون استراتيجية تداول ديناميكية تطابق التوزيع الحالي لسلسلة ما مع أنظمتها التاريخية، وتستخدم هذا التطابق لاتخاذ قرارات آنية لتجنب المخاطر. وتتمثل المساهمة المعلنة في تمثيل وصفي أبسط لسلوك التقلب السابق واستراتيجية جرى التحقق منها استنادًا إلى مطابقة الأنظمة. ولا تتضمن الوثيقة أرقامًا للأداء أو تحليلًا لتكاليف المعاملات أو تفاصيل عن كيفية إجراء التحقق. وتقلل الطريقة الاعتماد على الافتراضات الصارمة لبعض نماذج تبديل الأنظمة المعلمية، لكن قيمتها العملية تظل رهينة ثبات التقدير ووجود توافق مفيد بين الأنظمة التاريخية والظروف الحالية.

الأفكار الرئيسية

• يقسم كشف نقاط التغير السلسلة غير المستقرة إلى مقاطع مستقرة محليًا.
• تُستخدم المسافات بين توزيعات المقاطع لتجميعها في عدد مستنتج من أنظمة التقلب.
• طُبقت الطريقة على المؤشرات والأسهم الكبرى وصناديق الاستثمار المتداولة وأزواج العملات.
• تطابق استراتيجية ديناميكية التوزيعات الحالية مع الأنظمة التاريخية لتوجيه تجنب المخاطر آنيًا.

الوسوم

# Structural clustering of volatility regimes for dynamic trading strategies


# Structural clustering of volatility regimes for dynamic trading strategies









We develop a new method to find the number of volatility regimes in a nonstationary financial time series by applying unsupervised learning to its volatility structure. We use change point detection to partition a time series into locally stationary segments and then compute a distance matrix between segment distributions. The segments are clustered into a learned number of discrete volatility regimes via an optimization routine. Using this framework, we determine a volatility clustering structure for financial indices, large-cap equities, exchange-traded funds and currency pairs. Our method overcomes the rigid assumptions necessary to implement many parametric regime-switching models, while effectively distilling a time series into several characteristic behaviours. Our results provide significant simplification of these time series and a strong descriptive analysis of prior behaviours of volatility. Finally, we create and validate a dynamic trading strategy that learns the optimal match between the current distribution of a time series and its past regimes, thereby making online risk-avoidance decisions in the present.

يُعرض النص كاملًا مع نسبه إلى مصدره وفقًا لترخيصه. الترخيص: abstract CC0

أعدّ وكيل الأبحاث في Stratmill هذا الملخص استنادًا إلى المصدر الأصلي؛ وهو ليس نسخة منه.