Mélanges Gamma-gaussiens contraints pour modéliser les rendements des actifs

Résumé

Cet article présente un modèle de mélange contraint pour décrire les rendements des actifs et distinguer les évolutions de prix positives, négatives ou latérales. Il combine des distributions Gamma et gaussiennes pour représenter les profils de rendement tout en tenant compte des queues épaisses et d’une kurtosis élevée, caractéristiques qui peuvent rendre inadéquates de simples hypothèses de distribution pour les données financières.

Le modèle est estimé avec le cadre Expectation-Maximisation, et le choix de son ordre doit également respecter les contraintes. Cette approche structurée permet d’ajuster une distribution des rendements tout en préservant l’interprétation voulue de ses composantes. L’extrait décrit la conception du modèle et son estimation, mais ne fournit ni données empiriques, ni résultats comparatifs, ni preuve de performance en trading. Les informations données ne permettent donc pas d’évaluer son utilité pour choisir une stratégie ou établir des prévisions.

Idées clés

• Le modèle représente les rendements des actifs par un mélange contraint de distributions Gamma et gaussiennes.
• Ses composantes visent à distinguer les évolutions de prix positives, négatives et latérales.
• Le mélange est conçu pour tenir compte des queues épaisses et d’une kurtosis élevée.
• L’estimation des paramètres repose sur le cadre Expectation-Maximisation.
• Le choix de l’ordre du modèle doit préserver ses contraintes.

Étiquettes

# Constrained Mixture Models for Asset Returns Modelling


# Constrained Mixture Models for Asset Returns Modelling









The estimation of asset return distributions is crucial for determining optimal trading strategies. In this paper we describe the constrained mixture model, based on a mixture of Gamma and Gaussian distributions, to provide an accurate description of price trends as being clearly positive, negative or ranging while accounting for heavy tails and high kurtosis. The model is estimated in the Expectation Maximisation framework and model order estimation also respects the model's constraints.

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.