رگرسیون منظم‌شده ارزش‌های حدی برای ریسک دنباله‌ای پربسامد
خلاصه
این پژوهش بررسی می‌کند که شدت زیان‌های حدی در بازارهای پربسامد چگونه با فعالیت معاملاتی و عدم‌قطعیت بازار تغییر می‌کند. رگرسیون پویای ارزش حدی آن، متغیرهای پیش‌بین ایستا و دارای ریشه واحد موضعی را می‌پذیرد و به رفتار پیش‌بین‌هایی می‌پردازد که در غیر این صورت ممکن است برآورد تغییر ریسک دنباله‌ای را مخدوش کنند. پیش‌بین‌های احتمالی شامل سنجه‌های نوسان و نقدشوندگی‌اند.
برای انتخاب پیش‌بین‌های مرتبط، نویسندگان برآوردگر درست‌نمایی بیشینه دو‌مرحله‌ای و تطبیقی با منظم‌سازی L1 را پیشنهاد می‌کنند. آن‌ها ویژگی اوراکل را برای انتخاب هر دو نوع پیش‌بین اثبات می‌کنند و از رفتار مطلوب در نمونه‌های محدود در شبیه‌سازی‌ها خبر می‌دهند. یک مطالعه تجربی درباره زیان‌های حدی پربسامد در نه سهم نقدشونده آمریکا از 42 سنجه نقدشوندگی و نوسان استفاده می‌کند؛ این مطالعه می‌یابد که شدت زیان در شرایط اثر قیمت کم و سنجه‌های نوسان بالا قابل پیش‌بینی است. گزیده معیارهای عملکرد پیش‌بینی را ارائه نمی‌دهد و مشخص نمی‌کند نتایج تا چه حد به دارایی‌ها، بازارها یا شرایط معاملاتی دیگر تعمیم‌پذیرند.
ایده‌های کلیدی
- مدل شدت زیان حدی پربسامد را به پیش‌بین‌های نقدشوندگی و نوسان مرتبط می‌کند.
- این مدل پیش‌بین‌هایی را می‌پذیرد که فرایندهای ایستا یا دارای ریشه واحد موضعی باشند.
- روش درست‌نمایی تطبیقی با منظم‌سازی L1 پیش‌بین‌ها را انتخاب می‌کند.
- پژوهش از ویژگی‌های نظری انتخاب و نتایج پشتیبان شبیه‌سازی خبر می‌دهد.
- در نمونه سهام، اثر قیمت کم همراه با سنجه‌های نوسان بالا به پیش‌بینی شدت زیان حدی کمک می‌کند.
برچسب‌ها
متن کامل
# 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.
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.