Skalierung hochfrequenter S&P-Renditen für modellbasierten Intraday-Handel

Zusammenfassung

Die Studie nutzt Skalierungseigenschaften aggregierter hochfrequenter S&P-500-Renditen, um ein stochastisches Martingalmodell zu konstruieren. Das Modell soll bedingte Erwartungswerte für die Vormittagssitzung reproduzieren und wird anschließend auf den Nachmittagshandel erweitert. Prognosen des Modells erzeugen Intraday-Trendfolgesignale; diese Signale beruhen auf dem Modell und nicht auf Chartmustern. Die vorgeschlagene Strategie soll lineare Korrelationen ausnutzen, die in den S&P-Daten, nicht aber im Modell auftreten.

Berichtet werden In-Sample- und Out-of-Sample-Tests, die eine bessere Performance als eine Benchmark auf Basis eines asymmetrischen GARCH-Prozesses sowie kleine Arbitragemöglichkeiten zeigen sollen. Die Autoren geben an, dass die Gewinne ohne die linearen Korrelationen verschwinden würden, und erörtern einen möglichen Einsatz zur Absicherung des Volatilitätsrisikos bei S&P-gebundenen Produkten. Die bereitgestellte Beschreibung nennt weder Testzeiträume noch Implementierungsannahmen, Transaktionskosten oder konkrete Performancezahlen, was die Beurteilung von Robustheit und Handelbarkeit einschränkt. Der berichtete Vorteil hängt mit den festgelegten Dateneigenschaften und dem Modellvergleich zusammen.

Kernaussagen

• Die Skalierung aggregierter hochfrequenter Renditen dient zum Aufbau eines Martingalmodells für bedingte Erwartungswerte.
• Das Modell wird von der Vormittagssitzung auf den Nachmittagshandel erweitert.
• Modellprognosen erzeugen Intraday-Trendfolgesignale ohne chartbasierte Kriterien.
• Die berichteten Gewinne der Strategie hängen von linearen Korrelationen in den S&P-Daten ab.
• Tests berichten einen Vorteil gegenüber einer asymmetrischen GARCH-Benchmark, doch Implementierungsdetails fehlen.

Schlagwörter

# Ensemble properties of high frequency data and intraday trading rules


# Ensemble properties of high frequency data and intraday trading rules









Regarding the intraday sequence of high frequency returns of the S&P index as daily realizations of a given stochastic process, we first demonstrate that the scaling properties of the aggregated return distribution can be employed to define a martingale stochastic model which consistently replicates conditioned expectations of the S&P 500 high frequency data in the morning of each trading day. Then, a more general formulation of the above scaling properties allows to extend the model to the afternoon trading session. We finally outline an application in which conditioned forecasting is used to implement a trend-following trading strategy capable of exploiting linear correlations present in the S&P dataset and absent in the model. Trading signals are model-based and not derived from chartist criteria. In-sample and out-of-sample tests indicate that the model-based trading strategy performs better than a benchmark one established on an asymmetric GARCH process, and show the existence of small arbitrage opportunities. We remark that in the absence of linear correlations the trading profit would vanish and discuss why the trading strategy is potentially interesting to hedge volatility risk for S&P index-based products.

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.