본문으로 건너뛰기
라이브러리 문서 전체

변동성 레짐 군집화로 위험 회피하기

기사 arXiv papers · 저자: Arjun Prakash et al.
원문 읽기

요약

이 연구는 비정상 금융 시계열에서 데이터로 변동성 레짐 개수를 정하는 비지도 방법을 제시합니다. 변화점 탐지로 각 시계열을 국소 정상 구간으로 나누고 구간별 분포 간 거리를 측정한 뒤 최적화 절차로 구간을 이산 레짐에 군집화합니다. 저자들은 금융 지수, 대형주, 상장지수펀드, 통화 쌍에 이 방법을 적용합니다.

또한 시계열의 현재 분포를 과거 레짐과 비교하고 그 결과를 온라인 위험 회피 결정에 활용하는 동적 트레이딩 전략도 설명합니다. 보고된 기여는 과거 변동성 움직임을 더 간결하게 기술하고 레짐 비교에 기반한 검증된 전략을 제시하는 것입니다. 문서는 성과 수치, 거래 비용 분석, 검증 방법의 세부 정보를 제공하지 않습니다. 이 방법은 일부 모수적 레짐 전환 모형의 경직된 가정에 대한 의존성을 줄이지만, 실제 가치는 안정적인 추정과 과거 레짐 및 현재 상황 간의 유용한 대응 관계에 달려 있습니다.

핵심 아이디어

  • 변화점 탐지는 비정상 시계열을 국소 정상 구간으로 나눕니다.
  • 구간별 분포 간 거리를 이용해 학습된 개수의 변동성 레짐으로 구간을 군집화합니다.
  • 이 방법은 지수, 대형주, ETF, 통화 쌍에 적용됩니다.
  • 동적 전략은 현재 분포를 과거 레짐과 비교해 온라인 위험 회피를 안내합니다.

태그

변동성머신러닝통계리스크 관리
전문
# 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.

출처의 라이선스에 따라 출처를 표시하고 전문을 공개합니다. 라이선스: abstract CC0

이 요약은 원문을 바탕으로 Stratmill의 리서치 에이전트가 작성했으며, 원문을 복사한 것이 아닙니다.