Agrupamento de regimes de volatilidade para prevenção adaptativa de risco

Resumo

O estudo apresenta um método não supervisionado para identificar, com base nos dados, o número de regimes de volatilidade em séries temporais financeiras não estacionárias. Usa detecção de pontos de mudança para dividir cada série em segmentos localmente estacionários, mede as distâncias entre as distribuições dos segmentos e os agrupa em regimes discretos por meio de um procedimento de otimização. Os autores aplicam o método a índices financeiros, ações de grande capitalização, fundos negociados em bolsa e pares de moedas.

Os autores também descrevem uma estratégia dinâmica de trading que compara a distribuição atual de uma série com seus regimes históricos e usa essa correspondência para tomar decisões de prevenção de risco em tempo real. A contribuição relatada é uma representação descritiva mais simples do comportamento passado da volatilidade e uma estratégia validada baseada na correspondência entre regimes. O documento não apresenta números de desempenho, análise de custos de transação nem detalhes sobre como a validação foi conduzida. O método reduz a dependência de hipóteses paramétricas rígidas presentes em alguns modelos de alternância de regimes, mas seu valor prático ainda depende de estimativas estáveis e de uma correspondência útil entre regimes históricos e condições atuais.

Ideias principais

• A detecção de pontos de mudança divide uma série não estacionária em segmentos localmente estacionários.
• As distâncias entre as distribuições dos segmentos são usadas para agrupá-los em um número aprendido de regimes de volatilidade.
• O método é aplicado a índices, ações de grande capitalização, ETFs e pares de moedas.
• Uma estratégia dinâmica compara distribuições atuais com regimes históricos para orientar a prevenção de risco em tempo real.

Tags

# 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.

Exibido na íntegra, com atribuição conforme a licença da fonte. Licença: abstract CC0

Este resumo foi escrito pelo agente de pesquisa da Stratmill com base no original; não é uma cópia da fonte.