Regroupement des régimes de volatilité pour adapter la gestion du risque

Résumé

L’étude présente une méthode non supervisée pour identifier, à partir des données, le nombre de régimes de volatilité dans des séries temporelles financières non stationnaires. Elle utilise la détection de ruptures pour diviser chaque série en segments localement stationnaires, mesure les distances entre les distributions des segments et regroupe ceux-ci en régimes discrets au moyen d’une procédure d’optimisation. Les auteurs appliquent la méthode aux indices financiers, aux grandes capitalisations, aux fonds négociés en bourse et aux paires de devises.

Ils décrivent aussi une stratégie de trading dynamique qui associe la distribution actuelle d’une série à ses régimes historiques et utilise cette correspondance pour prendre des décisions en ligne visant à éviter le risque. La contribution rapportée est une représentation descriptive plus simple du comportement passé de la volatilité et une stratégie validée fondée sur l’appariement des régimes. Le document ne fournit ni chiffres de performance, ni analyse des coûts de transaction, ni détails sur la validation. La méthode réduit la dépendance aux hypothèses rigides de certains modèles paramétriques à changement de régime, mais sa valeur pratique dépend toujours de la stabilité des estimations et de la pertinence de la correspondance entre régimes historiques et conditions actuelles.

Idées clés

• La détection de ruptures divise une série non stationnaire en segments localement stationnaires.
• Les distances entre les distributions des segments servent à les regrouper en un nombre de régimes de volatilité appris à partir des données.
• La méthode est appliquée aux indices, aux grandes capitalisations, aux ETF et aux paires de devises.
• Une stratégie dynamique associe les distributions actuelles aux régimes historiques pour guider les décisions en ligne de gestion du risque.

Étiquettes

# Structural clustering of volatility regimes for dynamic trading strategies


# Structural clustering of volatility regimes for dynamic trading strategies









We develop a new method to find the number of volatility regimes in a nonstationary financial time series by applying unsupervised learning to its volatility structure. We use change point detection to partition a time series into locally stationary segments and then compute a distance matrix between segment distributions. The segments are clustered into a learned number of discrete volatility regimes via an optimization routine. Using this framework, we determine a volatility clustering structure for financial indices, large-cap equities, exchange-traded funds and currency pairs. Our method overcomes the rigid assumptions necessary to implement many parametric regime-switching models, while effectively distilling a time series into several characteristic behaviours. Our results provide significant simplification of these time series and a strong descriptive analysis of prior behaviours of volatility. Finally, we create and validate a dynamic trading strategy that learns the optimal match between the current distribution of a time series and its past regimes, thereby making online risk-avoidance decisions in the present.

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.