Séparer les composantes rapides et lentes des séries temporelles financières

Résumé

Le document décrit une méthode pour décomposer les séries temporelles financières en processus opérant à différentes échelles de temps. Il formule cette séparation comme des problèmes de valeurs propres généralisées et utilise des critères fondés sur la variance et la stationnarité des queues pour repérer les composantes lentes et rapides des rendements et des prix des actifs. La décomposition proposée vise à faciliter l’analyse de la dérive des paramètres, du retour à la moyenne et de la gestion du risque de queue.

Le document rapporte des exemples empiriques portant sur des devises, des ETF d’actions et des rendements des bons du Trésor, comme preuve d’applications pratiques de la méthode sur plusieurs marchés. Il ne fournit aucun détail sur les jeux de données, les choix de mise en œuvre, la procédure de validation ou les résultats précis des exemples. Cette brève description permet donc de comprendre les objectifs et la portée générale de la méthode, mais pas d’en évaluer la performance ni de la comparer à d’autres approches. Son utilité pour les décisions de trading dépendrait des détails omis et de la stabilité des composantes identifiées dans d’autres données et conditions de marché.

Idées clés

• Les séries temporelles financières peuvent contenir des processus interdépendants qui opèrent à différentes échelles de temps.
• Des critères de variance et de stationnarité des queues servent à identifier les composantes rapides et lentes.
• Le problème de séparation est formulé à l’aide de méthodes de valeurs propres généralisées.
• Les composantes obtenues pourraient aider à étudier la dérive des paramètres, le retour à la moyenne et le risque de queue.
• Les exemples portent sur des devises, des ETF d’actions et des rendements des bons du Trésor, sans présenter de résultats précis.

Étiquettes

# Fast Times, Slow Times: Timescale Separation in Financial Timeseries Data


# Fast Times, Slow Times: Timescale Separation in Financial Timeseries Data









Financial time series exhibit multiscale behavior, with interaction between multiple processes operating on different timescales. This paper introduces a method for separating these processes using variance and tail stationarity criteria, framed as generalized eigenvalue problems. The approach allows for the identification of slow and fast components in asset returns and prices, with applications to parameter drift, mean reversion, and tail risk management. Empirical examples using currencies, equity ETFs and treasury yields illustrate the practical utility of the method.

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.