پیش‌بینی نوسان‌پذیری شدید با حجم معاملات
خلاصه
این سند تعامل حجم معاملات و نوسان‌پذیری را بررسی می‌کند و به دوره‌هایی می‌پردازد که هر دو بالا هستند. تحلیل، توزیع‌های شرطی را بررسی می‌کند: توزیع نوسان‌پذیری در سطوح مختلف حجم سنجیده، با قانون توانی و برش نمایی مدل‌سازی و بازتنظیم می‌شود تا روی منحنی مشترکی قرار گیرد. همچنین، نوسان‌پذیری بیشینه محلی (LMV) را به‌صورت بیشترین نوسان‌پذیری در یک بازه حجمی تعریف می‌کند و می‌یابد که LMV با لگاریتم حجم افزایش می‌یابد.
نتایج تجربی گزارش‌شده نشان می‌دهند که حجم می‌تواند به برآورد بیشینه نوسان‌پذیری در همان روز و طی بازه‌ای نزدیک در آینده کمک کند. احتمال شرطی مشترکی که هم از حجم و هم از نوسان‌پذیری استفاده می‌کند، در پیش‌بینی بیشترین نوسان‌پذیری روز بعد از هر یک به‌تنهایی بهتر عمل می‌کند. خلاصه، دارایی، نمونه، افق زمانی دقیق، طرح اعتبارسنجی یا سنجه‌های خطای پیش‌بینی را مشخص نمی‌کند؛ بنابراین، نشان نمی‌دهد این رابطه تا چه حد به بازارهای دیگر تعمیم‌پذیر است یا از استراتژی معاملاتی قابل‌اجرا پشتیبانی می‌کند.
ایده‌های کلیدی
- توزیع نوسان‌پذیری مشروط به حجم معاملات با قانون توانی و برش نمایی توصیف می‌شود.
- با بازتنظیم توزیع‌های نوسان‌پذیری شرطی بر پایه حجم، آن‌ها روی منحنی مشترکی قرار می‌گیرند.
- نوسان‌پذیری بیشینه محلی، بالاترین نوسان مشاهده‌شده در یک بازه حجمی را اندازه می‌گیرد.
- حجم لگاریتمی ارتباطی قوی با نوسان‌پذیری بیشینه محلی دارد.
- ترکیب حجم و نوسان‌پذیری، پیش‌بینی بیشینه نوسان‌پذیری روز بعد را نسبت به استفاده جداگانه از هرکدام بهبود می‌دهد.
برچسب‌ها
متن کامل
# Predicting market instability: New dynamics between volume and volatility # Predicting market instability: New dynamics between volume and volatility Econophysics and econometrics agree that there is a correlation between volume and volatility in a time series. Using empirical data and their distributions, we further investigate this correlation and discover new ways that volatility and volume interact, particularly when the levels of both are high. We find that the distribution of the volume-conditional volatility is well fit by a power-law function with an exponential cutoff. We find that the volume-conditional volatility distribution scales with volume, and collapses these distributions to a single curve. We exploit the characteristics of the volume-volatility scatter plot to find a strong correlation between logarithmic volume and a quantity we define as local maximum volatility (LMV), which indicates the largest volatility observed in a given range of trading volumes. This finding supports our empirical analysis showing that volume is an excellent predictor of the maximum value of volatility for both same-day and near-future time periods. We also use a joint conditional probability that includes both volatility and volume to demonstrate that invoking both allows us to better predict the largest next-day volatility than invoking either one alone.
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.