Predicción de volatilidad extrema mediante el volumen de trading

Resumen

El documento estudia la interacción entre el volumen de trading y la volatilidad, especialmente en periodos en que ambos son elevados. Describe un análisis de distribuciones condicionales: examina las distribuciones de volatilidad para distintos niveles de volumen, las modela con una ley de potencia y un corte exponencial, y las reescala para que coincidan en una curva común. También define la volatilidad máxima local (LMV) como la mayor volatilidad dentro de un intervalo de volumen determinado y encuentra que LMV aumenta con el volumen logarítmico.

Los resultados empíricos indican que el volumen puede ayudar a estimar la volatilidad máxima tanto durante el mismo día como en un periodo próximo. Una probabilidad condicional conjunta que utiliza el volumen y la volatilidad predice la mayor volatilidad del día siguiente mejor que cualquiera de las variables por separado. El resumen no indica el activo, la muestra, el horizonte exacto, el diseño de validación ni las medidas de error de predicción, así que no demuestra hasta qué punto la relación se generaliza a otros mercados o permite implementar una estrategia de trading.

Ideas clave

• La volatilidad condicionada al volumen de trading se describe mediante una ley de potencia con corte exponencial.
• Al reescalar por volumen las distribuciones condicionales de volatilidad, estas coinciden en una curva común.
• La volatilidad máxima local mide la mayor volatilidad observada dentro de un intervalo de volumen.
• El volumen logarítmico está estrechamente asociado con la volatilidad máxima local.
• Combinar volumen y volatilidad mejora la predicción de la volatilidad máxima del día siguiente frente a usar cualquiera de las dos variables por separado.

Etiquetas

# Predicting market instability: New dynamics between volume and volatility


# Predicting market instability: New dynamics between volume and volatility









Econophysics and econometrics agree that there is a correlation between volume and volatility in a time series. Using empirical data and their distributions, we further investigate this correlation and discover new ways that volatility and volume interact, particularly when the levels of both are high. We find that the distribution of the volume-conditional volatility is well fit by a power-law function with an exponential cutoff. We find that the volume-conditional volatility distribution scales with volume, and collapses these distributions to a single curve. We exploit the characteristics of the volume-volatility scatter plot to find a strong correlation between logarithmic volume and a quantity we define as local maximum volatility (LMV), which indicates the largest volatility observed in a given range of trading volumes. This finding supports our empirical analysis showing that volume is an excellent predictor of the maximum value of volatility for both same-day and near-future time periods. We also use a joint conditional probability that includes both volatility and volume to demonstrate that invoking both allows us to better predict the largest next-day volatility than invoking either one alone.

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.