Regresión regularizada de valores extremos para el riesgo de cola de alta frecuencia

Resumen

El estudio modela cómo cambian la gravedad de las pérdidas extremas en mercados de alta frecuencia según la actividad de trading y la incertidumbre del mercado. Su regresión dinámica de valores extremos admite predictores estacionarios y de raíz unitaria local, para abordar comportamientos que de otro modo podrían distorsionar las estimaciones del riesgo de cola cambiante. Entre los posibles predictores figuran medidas de volatilidad y liquidez.

Para elegir predictores relevantes, los autores proponen un estimador de máxima verosimilitud adaptativo en dos pasos, regularizado con L1. Establecen una propiedad de oráculo para seleccionar ambos tipos de predictores e informan de resultados favorables en muestras finitas mediante simulaciones. Un estudio empírico de pérdidas extremas de alta frecuencia en nueve acciones líquidas de EE. UU. utiliza 42 medidas de liquidez y volatilidad; encuentra que la gravedad de las pérdidas es predecible cuando el impacto en precios es bajo y las medidas de volatilidad son elevadas. El extracto no proporciona métricas de rendimiento de las previsiones ni demuestra hasta qué punto los resultados se trasladan a otros activos, mercados o contextos de trading.

Ideas clave

• El modelo relaciona la gravedad de las pérdidas extremas de alta frecuencia con predictores de liquidez y volatilidad.
• Admite predictores estacionarios o procesos de raíz unitaria local.
• Un método adaptativo de verosimilitud regularizado con L1 selecciona predictores.
• El estudio presenta propiedades teóricas de selección y resultados de simulación favorables.
• En la muestra de acciones, un bajo impacto en precios junto con medidas de volatilidad elevadas ayuda a predecir la gravedad de las pérdidas extremas.

Etiquetas

# 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.

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.