نوسان زبر، مدل‌های تصادفی کسری و پیش‌بینی
خلاصه
این سند با داده‌های پُربسامد اخیر بررسی می‌کند که نوسان در طول زمان تا چه اندازه هموار تغییر می‌کند. گزارش می‌دهد که نوسان لگاریتمی در مقیاس‌های زمانی معقول تقریباً مانند حرکت براونی کسری با نمای هرست بسیار پایین رفتار می‌کند. بر این اساس، نویسندگان چارچوب نوسان تصادفی کسری با نمای کمتر از یک‌دوم را به کار می‌گیرند که آن را Rough FSV می‌نامند.
مدل با سری‌های زمانی مالی سازگار توصیف می‌شود و پیش‌بینی نوسان تحقق‌یافته را بهبود می‌دهد. تحلیل همچنین توضیح می‌دهد چرا آزمون‌های متعارف پایداری ممکن است داده‌های فرایند نوسان زبر را با حافظه بلندمدت اشتباه بگیرند، با اینکه خود مدل فاقد حافظه بلندمدت است. تبیینی پیشنهادی بر پایه ریزساختار، زبری را به معاملات پُربسامد و تقسیم سفارش پیوند می‌دهد. گزیده مجموعه‌داده‌ها، معیارهای مقایسه پیش‌بینی یا سنجه‌های عددی عملکرد را ارائه نمی‌کند؛ بنابراین نمی‌توان به‌طور مستقل بهبود گزارش‌شده در پیش‌بینی و دامنه آن را اینجا ارزیابی کرد.
ایده‌های کلیدی
- پژوهش نشان می‌دهد نوسان لگاریتمی رفتاری کسری و زبر با نمای هرست پایین دارد.
- مدل پیشنهادی Rough FSV از نمایی کمتر از یک‌دوم استفاده می‌کند.
- نویسندگان از بهبود پیش‌بینی نوسان تحقق‌یافته خبر می‌دهند، اما گزیده جزئیات معیار مقایسه را نمی‌دهد.
- آزمون‌های استاندارد پایداری می‌توانند حافظه بلندمدت را القا کنند، حتی وقتی داده‌ها از مدل نوسان زبر می‌آیند.
- سند زبری نوسان را به معاملات پُربسامد و تقسیم سفارش پیوند می‌دهد.
برچسب‌ها
متن کامل
# Volatility is rough # Volatility is rough Estimating volatility from recent high frequency data, we revisit the question of the smoothness of the volatility process. Our main result is that log-volatility behaves essentially as a fractional Brownian motion with Hurst exponent H of order 0.1, at any reasonable time scale. This leads us to adopt the fractional stochastic volatility (FSV) model of Comte and Renault. We call our model Rough FSV (RFSV) to underline that, in contrast to FSV, H<1/2. We demonstrate that our RFSV model is remarkably consistent with financial time series data; one application is that it enables us to obtain improved forecasts of realized volatility. Furthermore, we find that although volatility is not long memory in the RFSV model, classical statistical procedures aiming at detecting volatility persistence tend to conclude the presence of long memory in data generated from it. This sheds light on why long memory of volatility has been widely accepted as a stylized fact. Finally, we provide a quantitative market microstructure-based foundation for our findings, relating the roughness of volatility to high frequency trading and order splitting.
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.