خوشه‌بندی رژیم‌های نوسان برای اجتناب تطبیقی از ریسک
خلاصه
این پژوهش روشی بدون‌ناظر برای شناسایی تعداد رژیم‌های نوسان بر پایه داده در سری‌های زمانی مالی نامانا ارائه می‌دهد. با تشخیص نقطه تغییر، هر سری را به بخش‌های محلی مانا تقسیم می‌کند، فاصله میان توزیع بخش‌ها را می‌سنجد و با یک فرایند بهینه‌سازی، آن‌ها را در رژیم‌های گسسته خوشه‌بندی می‌کند. نویسندگان این روش را روی شاخص‌های مالی، سهام شرکت‌های بزرگ، صندوق‌های قابل معامله و جفت‌ارزها به کار می‌برند.
آن‌ها همچنین استراتژی معاملاتی پویایی را شرح می‌دهند که توزیع فعلی یک سری را با رژیم‌های تاریخی آن تطبیق می‌دهد و از این تطبیق برای تصمیم‌گیری برخط درباره اجتناب از ریسک استفاده می‌کند. دستاورد گزارش‌شده، بازنمایی توصیفی ساده‌تری از رفتار نوسان گذشته و استراتژی اعتبارسنجی‌شده‌ای مبتنی بر تطبیق رژیم‌هاست. سند هیچ رقم عملکردی، تحلیلی از هزینه معامله یا جزئیاتی درباره نحوه اعتبارسنجی ارائه نمی‌کند. این روش اتکا به فرض‌های سخت‌گیرانه برخی مدل‌های پارامتری تغییر رژیم را کاهش می‌دهد، اما ارزش عملی آن همچنان به برآورد پایدار و وجود تطابق مفید میان رژیم‌های تاریخی و شرایط فعلی بستگی دارد.
ایده‌های کلیدی
- تشخیص نقطه تغییر، یک سری نامانا را به بخش‌های محلی مانا تقسیم می‌کند.
- از فاصله میان توزیع بخش‌ها برای خوشه‌بندی آن‌ها در تعداد آموخته‌شده‌ای از رژیم‌های نوسان استفاده می‌شود.
- این روش روی شاخص‌ها، سهام شرکت‌های بزرگ، صندوق‌های قابل معامله و جفت‌ارزها به کار می‌رود.
- یک استراتژی پویا، توزیع‌های فعلی را با رژیم‌های تاریخی تطبیق می‌دهد تا اجتناب برخط از ریسک را هدایت کند.
برچسب‌ها
متن کامل
# 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.
با ذکر منبع و مطابق مجوز اثر، به‌طور کامل نمایش داده می‌شود. مجوز: abstract CC0
این خلاصه را عامل پژوهشی Stratmill بر پایه متن اصلی نوشته است؛ نسخه‌ای از اثر منبع نیست.