مقیاس‌بندی بازده‌های پربسامد S&P برای معامله روزانه مبتنی بر مدل
خلاصه
مقاله از ویژگی‌های مقیاس‌پذیری بازده‌های پربسامد تجمیع‌شده S&P 500 برای ساخت مدل تصادفی مارتینگل استفاده می‌کند. مدل برای بازتولید انتظارات شرطیِ نشست صبح طراحی شده و سپس برای پوشش معاملات بعدازظهر گسترش می‌یابد. پیش‌بینی‌های مدل سیگنال‌های درون‌روزیِ پیروی از روند ایجاد می‌کنند؛ این سیگنال‌ها از مدل می‌آیند، نه از الگوهای نموداری. استراتژی پیشنهادی می‌کوشد از همبستگی‌های خطی موجود در داده‌های S&P که در مدل وجود ندارند بهره ببرد.
گزارش می‌شود که آزمون‌های درون‌نمونه و خارج از نمونه، عملکرد بهتر از مبنایی مبتنی بر فرایند نامتقارن GARCH و فرصت‌های آربیتراژ کوچک را نشان می‌دهند. نویسندگان می‌گویند بدون همبستگی‌های خطی، سودها از میان می‌روند و کاربرد احتمالی این روش را در پوشش ریسک نوسان برای محصولات مرتبط با S&P مطرح می‌کنند. شرح ارائه‌شده تاریخ آزمون‌ها، فرض‌های اجرا، هزینه‌های معامله یا جزئیات عددی عملکرد را نمی‌دهد و ارزیابی پایداری و قابلیت معامله را محدود می‌کند. مزیت گزارش‌شده به ویژگی‌های داده مشخص و مقایسه مدل وابسته است.
ایده‌های کلیدی
- از مقیاس‌پذیری بازده‌های پربسامد تجمیع‌شده برای ساخت مدل مارتینگلِ انتظارات شرطی استفاده می‌شود.
- مدل از نشست صبح به معاملات بعدازظهر گسترش می‌یابد.
- پیش‌بینی‌های مدل بدون معیارهای مبتنی بر نمودار، سیگنال‌های درون‌روزی پیروی از روند تولید می‌کنند.
- سودهای گزارش‌شده استراتژی به همبستگی‌های خطی موجود در داده‌های S&P وابسته‌اند.
- آزمون‌ها برتری نسبت به مبنای نامتقارن GARCH را گزارش می‌کنند، اما جزئیات اجرا ارائه نشده است.
برچسب‌ها
متن کامل
# Ensemble properties of high frequency data and intraday trading rules # Ensemble properties of high frequency data and intraday trading rules Regarding the intraday sequence of high frequency returns of the S&P index as daily realizations of a given stochastic process, we first demonstrate that the scaling properties of the aggregated return distribution can be employed to define a martingale stochastic model which consistently replicates conditioned expectations of the S&P 500 high frequency data in the morning of each trading day. Then, a more general formulation of the above scaling properties allows to extend the model to the afternoon trading session. We finally outline an application in which conditioned forecasting is used to implement a trend-following trading strategy capable of exploiting linear correlations present in the S&P dataset and absent in the model. Trading signals are model-based and not derived from chartist criteria. In-sample and out-of-sample tests indicate that the model-based trading strategy performs better than a benchmark one established on an asymmetric GARCH process, and show the existence of small arbitrage opportunities. We remark that in the absence of linear correlations the trading profit would vanish and discuss why the trading strategy is potentially interesting to hedge volatility risk for S&P index-based products.
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.