برآورد تنک نوسان پُربسامد با تشخیص نقطه تغییر

خلاصه

این مقاله برآوردگرهای تنک نوسان پُربسامد را توسعه می‌دهد که هنگام تغییر ناگهانی نوسان نقدی استحکام خود را حفظ کنند. برآوردگرهای پیشنهادی جریمه ℓ1 را به روش‌های موجود اعمال می‌کنند و بر برآوردگرهای تغییرات توانی، یکی از دسته‌های بنیادی سنجش نوسان، تمرکز دارند. نویسندگان سازگاری برآورد هم نوسان زیربناییِ مشاهده‌نشده و هم محل نقاط تغییر آن را اثبات می‌کنند؛ برخی برآوردگرها به نرخ‌های مینیمکس دست می‌یابند.

برای محاسبه، روش از رگرسیون کمترین زاویه برای برآورد تغییرات احتمالی استفاده می‌کند و سپس با گام برنامه‌ریزی پویای کاهش‌یافته، تعداد آن‌ها را دقیق‌تر می‌کند. نتایج عددی سریع توصیف می‌شوند و نقاط شکست را نزدیک انتهای نمونه با دقت تشخیص می‌دهند. در پیش‌بینی خارج از نمونه، گزارش شده است که برآوردگرها پیش‌بینی‌های نوسان هموارتر و واقع‌گرایانه‌تری تولید می‌کنند و در بسامدها و افق‌های نمونه‌برداری مختلف از طیف گسترده‌ای از گزینه‌های کلاسیک و جدید بهتر عمل می‌کنند. شرح ارائه‌شده مجموعه‌داده‌ها، معیارهای مبنا یا عملکرد عددی مشخصی نمی‌دهد و ارزیابی مستقل این مقایسه را محدود می‌کند.

ایده‌های کلیدی

• برآوردگرها از منظم‌سازی ℓ1 استفاده می‌کنند تا برآورد نوسان پُربسامد تنک و در برابر تغییرات ناگهانی مقاوم باشد.
• مقاله برآوردگرهای تغییرات توانی را بررسی می‌کند و سازگاری را برای نوسان و محل نقاط تغییر اثبات می‌کند.
• رگرسیون کمترین زاویه تغییرات احتمالی را پیدا می‌کند و برنامه‌ریزی پویای کاهش‌یافته تعدادشان را دقیق‌تر می‌کند.
• نویسندگان تشخیص دقیق نقاط شکست در انتهای نمونه و بهبود پیش‌بینی‌های خارج از نمونه در بسامدها و افق‌های مختلف را گزارش می‌کنند.

برچسب‌ها

# High-Frequency Volatility Estimation with Fast Multiple Change Points Detection


# High-Frequency Volatility Estimation with Fast Multiple Change Points Detection









We propose a method for constructing sparse high-frequency volatility estimators that are robust against change points in the spot volatility process. The estimators we propose are $\ell_1$-regularized versions of existing volatility estimators. We focus on power variation estimators as they represent a fundamental class of volatility estimators. We establish consistency of these estimators for the true unobserved volatility and the change points locations, showing that minimax rates can be achieved for particular volatility estimators. The new estimators utilize the computationally efficient least angle regression algorithm for estimation purposes, followed by a reduced dynamic programming step to refine the final number of change points. In terms of numerical performance, these estimators are not only computationally fast but also accurately identify breakpoints near the end of the sample, both features highly desirable in today's electronic trading environment. In terms of out-of-sample volatility prediction, our new estimators provide more realistic and smoother volatility forecasts, outperforming a broad range of classical and recent volatility estimators across various frequencies and forecasting horizons.

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.