अस्थिरता व्यवस्थाओं का समूहकरण: अनुकूली जोखिम-परिहार

सारांश

यह अध्ययन गैर-स्थिर वित्तीय समय-श्रृंखलाओं में डेटा से निर्धारित संख्या में अस्थिरता व्यवस्थाओं की पहचान करने की एक अप्रशिक्षित विधि प्रस्तुत करता है। यह परिवर्तन-बिंदु पहचान से प्रत्येक श्रृंखला को स्थानीय रूप से स्थिर खंडों में बाँटता है, खंडों के वितरणों के बीच दूरी मापता है और अनुकूलन प्रक्रिया से उन्हें अलग-अलग व्यवस्थाओं में समूहित करता है। लेखक इस विधि को वित्तीय सूचकांकों, बड़े बाज़ार-मूल्य वाली कंपनियों के शेयरों, एक्सचेंज-ट्रेडेड फ़ंड और मुद्रा युग्मों पर लागू करते हैं।

लेखक एक गतिशील ट्रेडिंग रणनीति भी बताते हैं, जो किसी श्रृंखला के मौजूदा वितरण का उसके ऐतिहासिक शासनों से मिलान करती है और इस मिलान के आधार पर ऑनलाइन जोखिम-परिहार निर्णय लेती है। बताया गया योगदान पिछले अस्थिरता व्यवहार का सरल वर्णन और शासन-मिलान पर आधारित एक मान्य रणनीति है। दस्तावेज़ में प्रदर्शन के आँकड़े, लेनदेन लागत का विश्लेषण या सत्यापन कैसे किया गया, इसका विवरण नहीं है। यह विधि कुछ पैरामीट्रिक शासन-परिवर्तन मॉडलों की कठोर मान्यताओं पर निर्भरता घटाती है, लेकिन इसका व्यावहारिक मूल्य फिर भी स्थिर अनुमान और ऐतिहासिक शासनों तथा मौजूदा स्थितियों के बीच उपयोगी मेल पर निर्भर करता है।

मुख्य विचार

• परिवर्तन-बिंदु पहचान गैर-स्थिर श्रृंखला को स्थानीय रूप से स्थिर खंडों में बाँटती है।
• खंडों के वितरणों के बीच की दूरी से सीखी गई संख्या में अस्थिरता शासनों के समूह बनाए जाते हैं।
• यह विधि सूचकांकों, बड़े बाज़ार-मूल्य वाली कंपनियों के शेयरों, ईटीएफ और मुद्रा युग्मों पर लागू की गई है।
• एक गतिशील रणनीति ऑनलाइन जोखिम से बचने के निर्णयों के लिए मौजूदा वितरणों का ऐतिहासिक शासनों से मिलान करती है।

टैग

# 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.

स्रोत के लाइसेंस के तहत श्रेय सहित पूरा पाठ दिखाया गया है। लाइसेंस: abstract CC0

यह सारांश मूल स्रोत के आधार पर Stratmill के शोध एजेंट ने लिखा है; यह स्रोत की प्रति नहीं है।