Agrupamiento de regímenes de volatilidad para una gestión adaptativa del riesgo | Stratmill

Resumen

El estudio presenta un método no supervisado para identificar, a partir de los datos, el número de regímenes de volatilidad en series temporales financieras no estacionarias. Usa la detección de puntos de cambio para dividir cada serie en segmentos localmente estacionarios, mide las distancias entre las distribuciones de esos segmentos y los agrupa en regímenes discretos mediante un procedimiento de optimización. Los autores aplican el método a índices financieros, acciones de gran capitalización, fondos cotizados y pares de divisas.

También describen una estrategia de trading dinámica que compara la distribución actual de una serie con sus regímenes históricos y utiliza esa correspondencia para tomar decisiones de prevención de riesgos en tiempo real. La contribución presentada es una representación descriptiva más sencilla del comportamiento pasado de la volatilidad y una estrategia validada basada en la correspondencia entre regímenes. El documento no ofrece cifras de rendimiento, análisis de costes de transacción ni detalles sobre cómo se realizó la validación. El método reduce la dependencia de los supuestos rígidos de algunos modelos paramétricos de cambio de régimen, pero su utilidad práctica sigue dependiendo de que la estimación sea estable y de que los regímenes históricos se correspondan con las condiciones actuales.

Ideas clave

• La detección de puntos de cambio divide una serie no estacionaria en segmentos localmente estacionarios.
• Las distancias entre las distribuciones de los segmentos sirven para agruparlos en un número de regímenes de volatilidad aprendido a partir de los datos.
• El método se aplica a índices, acciones de gran capitalización, ETF y pares de divisas.
• Una estrategia dinámica compara las distribuciones actuales con los regímenes históricos para orientar la prevención de riesgos en tiempo real.

Etiquetas

# 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.

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.