Régression régularisée des valeurs extrêmes pour le risque de queue haute fréquence

Résumé

L’étude modélise l’évolution de la gravité des pertes extrêmes sur les marchés à haute fréquence en fonction de l’activité de trading et de l’incertitude du marché. Sa régression dynamique des valeurs extrêmes accepte des prédicteurs stationnaires et à racine unitaire locale, afin de traiter les comportements susceptibles de fausser les estimations de l’évolution du risque de queue. Les prédicteurs envisagés comprennent des mesures de volatilité et de liquidité.

Pour sélectionner les prédicteurs pertinents, les auteurs proposent un estimateur du maximum de vraisemblance adaptatif en deux étapes, régularisé par L1. Ils établissent une propriété d’oracle pour la sélection des deux types de prédicteurs et rapportent des résultats favorables en échantillon fini dans des simulations. Une étude empirique des pertes extrêmes à haute fréquence sur neuf actions américaines liquides utilise 42 mesures de liquidité et de volatilité ; elle constate que la gravité des pertes est prévisible lorsque l’impact sur les prix est faible et que les mesures de volatilité sont élevées. L’extrait ne donne pas de mesures de performance des prévisions et n’établit pas dans quelle mesure les résultats s’appliquent à d’autres actifs, marchés ou contextes de trading.

Idées clés

• Le modèle relie la gravité des pertes extrêmes à haute fréquence à des prédicteurs de liquidité et de volatilité.
• Il accepte des prédicteurs stationnaires ou des processus à racine unitaire locale.
• Une méthode adaptative du maximum de vraisemblance régularisée par L1 sélectionne les prédicteurs.
• L’étude rapporte des propriétés théoriques de sélection et des résultats de simulation encourageants.
• Dans l’échantillon d’actions, un faible impact sur les prix combiné à des mesures de volatilité élevées aide à prévoir la gravité des pertes extrêmes.

Étiquettes

# Measuring tail risk at high-frequency: An $L_1$-regularized extreme value regression approach with unit-root predictors


# Measuring tail risk at high-frequency: An $L_1$-regularized extreme value regression approach with unit-root predictors









We study tail risk dynamics in high-frequency financial markets and their connection with trading activity and market uncertainty. We introduce a dynamic extreme value regression model accommodating both stationary and local unit-root predictors to appropriately capture the time-varying behaviour of the distribution of high-frequency extreme losses. To characterize trading activity and market uncertainty, we consider several volatility and liquidity predictors, and propose a two-step adaptive $L_1$-regularized maximum likelihood estimator to select the most appropriate ones. We establish the oracle property of the proposed estimator for selecting both stationary and local unit-root predictors, and show its good finite sample properties in an extensive simulation study. Studying the high-frequency extreme losses of nine large liquid U.S. stocks using 42 liquidity and volatility predictors, we find the severity of extreme losses to be well predicted by low levels of price impact in period of high volatility of liquidity and volatility.

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.