Regressão regularizada de valores extremos para risco de cauda em alta frequência

Resumo

O estudo modela como a gravidade de perdas extremas em mercados de alta frequência muda com a atividade de negociação e a incerteza do mercado. Sua regressão dinâmica de valores extremos admite tanto preditores estacionários quanto preditores com raiz unitária local, abordando comportamentos que poderiam distorcer as estimativas da mudança no risco de cauda. Entre os possíveis preditores estão medidas de volatilidade e liquidez.

Para selecionar preditores relevantes, os autores propõem um estimador de máxima verossimilhança adaptativo em duas etapas, regularizado por L1. Eles estabelecem uma propriedade oracular para selecionar os dois tipos de preditores e relatam comportamento favorável em amostras finitas nas simulações. Um estudo empírico de perdas extremas de alta frequência em nove ações líquidas dos EUA usa 42 medidas de liquidez e volatilidade; os resultados indicam que a gravidade das perdas é previsível em contextos de baixo impacto nos preços e medidas elevadas de volatilidade. O trecho não apresenta métricas de desempenho das previsões nem estabelece até que ponto os resultados se aplicam a outros ativos, mercados ou contextos de trading.

Ideias principais

• O modelo relaciona a gravidade de perdas extremas em alta frequência a preditores de liquidez e volatilidade.
• O modelo admite preditores estacionários ou processos com raiz unitária local.
• Um método adaptativo de máxima verossimilhança regularizado por L1 seleciona os preditores.
• O estudo relata propriedades teóricas de seleção e resultados favoráveis em simulações.
• Na amostra de ações, baixo impacto nos preços combinado com medidas elevadas de volatilidade ajuda a prever a gravidade de perdas extremas.

Tags

# Measuring tail risk at high-frequency: An $L_1$-regularized extreme value regression approach with unit-root predictors


# Measuring tail risk at high-frequency: An $L_1$-regularized extreme value regression approach with unit-root predictors









We study tail risk dynamics in high-frequency financial markets and their connection with trading activity and market uncertainty. We introduce a dynamic extreme value regression model accommodating both stationary and local unit-root predictors to appropriately capture the time-varying behaviour of the distribution of high-frequency extreme losses. To characterize trading activity and market uncertainty, we consider several volatility and liquidity predictors, and propose a two-step adaptive $L_1$-regularized maximum likelihood estimator to select the most appropriate ones. We establish the oracle property of the proposed estimator for selecting both stationary and local unit-root predictors, and show its good finite sample properties in an extensive simulation study. Studying the high-frequency extreme losses of nine large liquid U.S. stocks using 42 liquidity and volatility predictors, we find the severity of extreme losses to be well predicted by low levels of price impact in period of high volatility of liquidity and volatility.

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.