Regularisierte Extremwertregression für Hochfrequenzrisiken

Zusammenfassung

Die Studie modelliert, wie sich die Schwere extremer Verluste in Hochfrequenzmärkten mit Handelsaktivität und Marktunsicherheit verändert. Ihre dynamische Extremwertregression berücksichtigt sowohl stationäre Prädiktoren als auch Prädiktoren mit lokalem Einheitswurzelverhalten und adressiert damit ein Verhalten, das Schätzungen des sich ändernden Extremrisikos andernfalls verzerren könnte. Zu den möglichen Prädiktoren zählen Volatilitäts- und Liquiditätsmaße.

Zur Auswahl relevanter Prädiktoren schlagen die Autoren einen adaptiven, in zwei Schritten durchgeführten L1-regularisierten Maximum-Likelihood-Schätzer vor. Sie weisen eine Oracle-Eigenschaft bei der Auswahl beider Prädiktortypen nach und berichten günstige Ergebnisse bei endlichen Stichproben in Simulationen. Eine empirische Untersuchung extremer Hochfrequenzverluste bei neun liquiden US-Aktien verwendet 42 Liquiditäts- und Volatilitätsmaße. Sie stellt fest, dass die Verlustschwere in Situationen mit geringem Preiseinfluss und erhöhten Volatilitätsmaßen vorhersehbar ist. Der Auszug nennt keine Kennzahlen zur Prognoseleistung und belegt nicht, wie gut sich die Ergebnisse auf andere Vermögenswerte, Märkte oder Handelsumgebungen übertragen lassen.

Kernaussagen

• Das Modell verknüpft die Schwere extremer Hochfrequenzverluste mit Liquiditäts- und Volatilitätsprädiktoren.
• Es lässt sowohl stationäre Prädiktoren als auch Prozesse mit lokaler Einheitswurzel zu.
• Ein adaptives, L1-regularisiertes Likelihood-Verfahren wählt Prädiktoren aus.
• Die Studie berichtet theoretische Eigenschaften der Auswahl und unterstützende Simulationsergebnisse.
• In der Aktien-Stichprobe hilft eine Kombination aus geringem Preiseinfluss und hohen Volatilitätsmaßen, die Schwere extremer Verluste vorherzusagen.

Schlagwörter

# Measuring tail risk at high-frequency: An $L_1$-regularized extreme value regression approach with unit-root predictors


# Measuring tail risk at high-frequency: An $L_1$-regularized extreme value regression approach with unit-root predictors









We study tail risk dynamics in high-frequency financial markets and their connection with trading activity and market uncertainty. We introduce a dynamic extreme value regression model accommodating both stationary and local unit-root predictors to appropriately capture the time-varying behaviour of the distribution of high-frequency extreme losses. To characterize trading activity and market uncertainty, we consider several volatility and liquidity predictors, and propose a two-step adaptive $L_1$-regularized maximum likelihood estimator to select the most appropriate ones. We establish the oracle property of the proposed estimator for selecting both stationary and local unit-root predictors, and show its good finite sample properties in an extensive simulation study. Studying the high-frequency extreme losses of nine large liquid U.S. stocks using 42 liquidity and volatility predictors, we find the severity of extreme losses to be well predicted by low levels of price impact in period of high volatility of liquidity and volatility.

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.