Estimación dispersa de volatilidad de alta frecuencia con detección de cambios

Resumen

Este artículo desarrolla estimadores dispersos de volatilidad de alta frecuencia diseñados para mantener su robustez cuando la volatilidad al contado cambia bruscamente. Los estimadores propuestos aplican una penalización ℓ1 a métodos existentes y se centran en estimadores de variación de potencias, una clase fundamental para medir la volatilidad. Los autores establecen consistencia al estimar tanto la volatilidad subyacente no observada como las ubicaciones de sus puntos de cambio, y algunos estimadores alcanzan tasas minimax.

Para el cálculo, el método utiliza regresión de ángulo mínimo para estimar cambios candidatos, seguida de un paso reducido de programación dinámica que afina su número. Los resultados numéricos se describen como rápidos y precisos al detectar puntos de cambio cerca del final de una muestra. En las predicciones fuera de muestra, se informa que los estimadores producen pronósticos de volatilidad más suaves y realistas y superan a una amplia gama de alternativas clásicas y recientes con distintas frecuencias de muestreo y horizontes. La descripción proporcionada no especifica conjuntos de datos, referencias de comparación ni cifras de rendimiento, lo que limita la evaluación independiente de la comparación.

Ideas clave

• Los estimadores utilizan regularización ℓ1 para que las estimaciones de volatilidad de alta frecuencia sean dispersas y robustas ante cambios bruscos.
• El artículo estudia estimadores de variación de potencias y establece consistencia para la volatilidad y las ubicaciones de los puntos de cambio.
• La regresión de ángulo mínimo encuentra cambios candidatos y la programación dinámica reducida afina su número.
• Los autores informan de detección precisa de puntos de cambio al final de la muestra y de mejores pronósticos fuera de muestra con distintas frecuencias y horizontes.

Etiquetas

# High-Frequency Volatility Estimation with Fast Multiple Change Points Detection


# High-Frequency Volatility Estimation with Fast Multiple Change Points Detection









We propose a method for constructing sparse high-frequency volatility estimators that are robust against change points in the spot volatility process. The estimators we propose are $\ell_1$-regularized versions of existing volatility estimators. We focus on power variation estimators as they represent a fundamental class of volatility estimators. We establish consistency of these estimators for the true unobserved volatility and the change points locations, showing that minimax rates can be achieved for particular volatility estimators. The new estimators utilize the computationally efficient least angle regression algorithm for estimation purposes, followed by a reduced dynamic programming step to refine the final number of change points. In terms of numerical performance, these estimators are not only computationally fast but also accurately identify breakpoints near the end of the sample, both features highly desirable in today's electronic trading environment. In terms of out-of-sample volatility prediction, our new estimators provide more realistic and smoother volatility forecasts, outperforming a broad range of classical and recent volatility estimators across various frequencies and forecasting horizons.

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.