مدل‌سازی نوسان شبانه و درون‌روزی با فرایندهای GARCH-ایتو
خلاصه
این مقاله به خلأیی در مدل‌سازی نوسان می‌پردازد: داده‌های پربسامد درون‌روزی بین بسته‌شدن بازار و بازگشایی بعدی در دسترس نیستند، بنابراین مدل‌ها ممکن است پویایی مهم شبانه را نادیده بگیرند. چارچوب GARCH-ایوتو را پیشنهاد می‌کند که دوره‌های بازشدن تا بسته‌شدن و بسته‌شدن تا بازشدن را با فرایندهای نوسان آنیِ جداگانه نمایش می‌دهد و هر دو بخش روز معاملاتی را در بر می‌گیرد.
نویسندگان پارامترهای دو دوره را با حداقل مربعات وزنی برآورد می‌کنند و ویژگی‌های مجانبی روش را بررسی می‌کنند. آن‌ها از مطالعه شبیه‌سازی برای ارزیابی رفتار در نمونه محدود خبر می‌دهند و روش را روی داده‌های معاملاتی واقعی به‌کار می‌گیرند. توضیحات ارائه‌شده دارایی‌ها، برآوردهای تجربی یا عملکرد مقایسه‌ای با مدل‌های جایگزین را مشخص نمی‌کند؛ بنابراین نشان نمی‌دهد این چارچوب در عمل تا چه اندازه پیش‌بینی‌ها را بهبود می‌دهد. دستاورد آن، روش مدل‌سازی و برآوردی برای حفظ اطلاعات نوسان شبانه در کنار پویایی درون‌روزی است.
ایده‌های کلیدی
- مدل، فرایندهای نوسان از بازشدن تا بسته‌شدن و از بسته‌شدن تا بازشدن را جدا می‌کند.
- برای برآورد پارامترهای دو دوره از حداقل مربعات وزنی استفاده می‌شود.
- پژوهش ویژگی‌های مجانبی، شبیه‌سازی‌ها و داده‌های معاملاتی واقعی را بررسی می‌کند.
- توضیحات، نتایج تجربی مشخص یا بهبود پیش‌بینی در مقایسه با مدل‌های دیگر را گزارش نمی‌کند.
برچسب‌ها
متن کامل
# Overnight GARCH-Itô Volatility Models # Overnight GARCH-Itô Volatility Models Various parametric volatility models for financial data have been developed to incorporate high-frequency realized volatilities and better capture market dynamics. However, because high-frequency trading data are not available during the close-to-open period, the volatility models often ignore volatility information over the close-to-open period and thus may suffer from loss of important information relevant to market dynamics. In this paper, to account for whole-day market dynamics, we propose an overnight volatility model based on Itô diffusions to accommodate two different instantaneous volatility processes for the open-to-close and close-to-open periods. We develop a weighted least squares method to estimate model parameters for two different periods and investigate its asymptotic properties. We conduct a simulation study to check the finite sample performance of the proposed model and method. Finally, we apply the proposed approaches to real trading data.
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.