קיבוץ משטרי תנודתיות לצמצום סיכונים אדפטיבי

סיכום

המחקר מציג שיטה לא־מונחית לזיהוי מספר משטרי תנודתיות המבוסס על הנתונים בסדרות פיננסיות לא־סטציונריות. הוא משתמש בזיהוי נקודות שינוי כדי לחלק כל סדרה למקטעים שהם סטציונריים מקומית, מודד מרחקים בין התפלגויות המקטעים ומקבץ אותם למשטרים בדידים באמצעות הליך אופטימיזציה. המחברים מיישמים את השיטה על מדדים פיננסיים, מניות גדולות, קרנות סל וצמדי מטבעות.

הם מתארים גם אסטרטגיית מסחר דינמית המשווה את ההתפלגות הנוכחית של סדרה למשטרים ההיסטוריים שלה ומשתמשת בהתאמה לקבלת החלטות מקוונות להימנעות מסיכון. התרומה המדווחת היא ייצוג תיאורי פשוט יותר של התנהגות התנודתיות בעבר ואסטרטגיה מתוקפת המבוססת על התאמת משטרים. המסמך אינו מספק נתוני ביצועים, ניתוח עלויות עסקה או פירוט של אופן ביצוע התיקוף. השיטה מפחיתה את התלות בהנחות הנוקשות של כמה מודלים פרמטריים למעבר בין משטרים, אך ערכה המעשי עדיין תלוי באמידה יציבה ובהתאמה מועילה בין משטרים היסטוריים לתנאים הנוכחיים.

רעיונות מרכזיים

• זיהוי נקודות שינוי מחלק סדרה לא־סטציונרית למקטעים סטציונריים מקומית.
• מרחקים בין התפלגויות המקטעים משמשים לקיבוצם למספר נלמד של משטרי תנודתיות.
• השיטה מיושמת על מדדים, מניות גדולות, קרנות סל וצמדי מטבעות.
• אסטרטגיה דינמית משווה התפלגויות נוכחיות למשטרים היסטוריים כדי להנחות הימנעות מקוונת מסיכון.

תגיות

# 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.

מוצג במלואו בציון המקור ובהתאם לרישיון שלו. רישיון: abstract CC0

הסיכום נכתב בידי סוכן המחקר של Stratmill על סמך המקור; הוא אינו העתק של המקור.