Volatilitätsregime clustern, um Risiken dynamisch zu vermeiden

Zusammenfassung

Die Studie stellt ein unüberwachtes Verfahren vor, das eine datenbasierte Anzahl von Volatilitätsregimen in nichtstationären Finanzzeitreihen bestimmt. Mithilfe der Strukturbrucherkennung wird jede Reihe in lokal stationäre Abschnitte unterteilt. Das Verfahren misst die Abstände zwischen den Verteilungen dieser Abschnitte und fasst sie mit einem Optimierungsverfahren zu diskreten Regimen zusammen. Die Autoren wenden die Methode auf Finanzindizes, Aktien großer Unternehmen, börsengehandelte Fonds und Währungspaare an.

Außerdem beschreiben sie eine dynamische Handelsstrategie, die die aktuelle Verteilung einer Reihe mit historischen Regimen abgleicht und diesen Abgleich für laufende Entscheidungen zur Risikovermeidung nutzt. Als Beitrag nennen sie eine einfachere beschreibende Darstellung des vergangenen Volatilitätsverhaltens und eine validierte Strategie auf Grundlage des Regimeabgleichs. Das Dokument enthält weder Leistungskennzahlen noch eine Analyse der Transaktionskosten oder Einzelheiten zur Validierung. Die Methode verringert die Abhängigkeit von den starren Annahmen mancher parametrischer Regimewechselmodelle. Ihr praktischer Nutzen hängt jedoch weiterhin von stabilen Schätzungen und einer aussagekräftigen Übereinstimmung zwischen historischen Regimen und aktuellen Bedingungen ab.

Kernaussagen

• Die Strukturbrucherkennung unterteilt eine nichtstationäre Reihe in lokal stationäre Abschnitte.
• Abstände zwischen den Verteilungen der Abschnitte dienen dazu, sie zu einer datenbasierten Anzahl von Volatilitätsregimen zu gruppieren.
• Die Methode wird auf Indizes, Aktien großer Unternehmen, ETFs und Währungspaare angewandt.
• Eine dynamische Strategie gleicht aktuelle Verteilungen mit historischen Regimen ab, um die laufende Risikovermeidung zu steuern.

Schlagwörter

# 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.

Vollständig mit Quellenangabe unter der Lizenz der Quelle angezeigt. Lizenz: abstract CC0

Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.