Estimation parcimonieuse de la volatilité haute fréquence et détection des ruptures

Résumé

Cet article élabore des estimateurs parcimonieux de la volatilité haute fréquence conçus pour rester robustes lorsque la volatilité instantanée change brusquement. Les estimateurs proposés appliquent une pénalité ℓ1 aux méthodes existantes, en se concentrant sur les estimateurs de variation de puissance, une classe fondamentale pour mesurer la volatilité. Les auteurs établissent la convergence pour l’estimation de la volatilité sous-jacente non observée et des emplacements de ses points de rupture, avec des taux minimax atteints pour certains estimateurs.

Pour les calculs, la méthode utilise la régression à angle minimal afin d’estimer les changements candidats, puis une étape réduite de programmation dynamique pour en affiner le nombre. Les résultats numériques sont décrits comme rapides et capables de détecter précisément les ruptures vers la fin d’un échantillon. En prévision hors échantillon, les estimateurs produiraient des prévisions de volatilité plus lisses et plus réalistes et surpasseraient un large éventail de méthodes classiques et récentes, selon différentes fréquences d’échantillonnage et différents horizons. La description fournie ne donne ni jeux de données précis, ni références de comparaison, ni résultats numériques, ce qui limite l’évaluation indépendante de la comparaison.

Idées clés

• Les estimateurs utilisent une régularisation ℓ1 pour produire des estimations de volatilité haute fréquence parcimonieuses et robustes aux changements brusques.
• L’article étudie les estimateurs de variation de puissance et établit la convergence pour la volatilité et l’emplacement des points de rupture.
• La régression à angle minimal repère les changements candidats, puis la programmation dynamique réduite en affine le nombre.
• Les auteurs rapportent une détection précise des ruptures en fin d’échantillon et de meilleures prévisions hors échantillon selon les fréquences et les horizons.

Étiquettes

# High-Frequency Volatility Estimation with Fast Multiple Change Points Detection


# High-Frequency Volatility Estimation with Fast Multiple Change Points Detection









We propose a method for constructing sparse high-frequency volatility estimators that are robust against change points in the spot volatility process. The estimators we propose are $\ell_1$-regularized versions of existing volatility estimators. We focus on power variation estimators as they represent a fundamental class of volatility estimators. We establish consistency of these estimators for the true unobserved volatility and the change points locations, showing that minimax rates can be achieved for particular volatility estimators. The new estimators utilize the computationally efficient least angle regression algorithm for estimation purposes, followed by a reduced dynamic programming step to refine the final number of change points. In terms of numerical performance, these estimators are not only computationally fast but also accurately identify breakpoints near the end of the sample, both features highly desirable in today's electronic trading environment. In terms of out-of-sample volatility prediction, our new estimators provide more realistic and smoother volatility forecasts, outperforming a broad range of classical and recent volatility estimators across various frequencies and forecasting horizons.

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.