Estimativa esparsa de volatilidade de alta frequência com detecção de pontos de mudança

Resumo

Este artigo desenvolve estimadores esparsos de volatilidade de alta frequência, projetados para permanecer robustos quando a volatilidade instantânea muda abruptamente. Os estimadores propostos aplicam uma penalidade ℓ1 a métodos existentes, com foco em estimadores de variação de potência, uma classe fundamental para medir a volatilidade. Os autores demonstram consistência na estimação tanto da volatilidade subjacente, não observada, quanto das posições de seus pontos de mudança, com taxas minimax alcançadas por estimadores específicos.

Para os cálculos, o método usa regressão de ângulo mínimo para estimar mudanças candidatas e, em seguida, uma etapa reduzida de programação dinâmica para refinar sua quantidade. Os resultados numéricos são descritos como rápidos e capazes de detectar pontos de mudança com precisão perto do fim de uma amostra. Nas previsões fora da amostra, os estimadores supostamente produzem previsões de volatilidade mais suaves e realistas e superam uma ampla variedade de alternativas clássicas e recentes em diferentes frequências de amostragem e horizontes. A descrição fornecida não apresenta conjuntos de dados específicos, referências de comparação ou desempenho numérico, o que limita uma avaliação independente da comparação.

Ideias principais

• Os estimadores usam regularização ℓ1 para tornar esparsas as estimativas de volatilidade de alta frequência e robustas a mudanças abruptas.
• O artigo estuda estimadores de variação de potência e demonstra consistência para a volatilidade e as posições dos pontos de mudança.
• A regressão de ângulo mínimo encontra mudanças candidatas, e a programação dinâmica reduzida refina sua quantidade.
• Os autores relatam detecção precisa de pontos de mudança perto do fim da amostra e melhores previsões fora da amostra em diferentes frequências e horizontes.

Tags

# High-Frequency Volatility Estimation with Fast Multiple Change Points Detection


# High-Frequency Volatility Estimation with Fast Multiple Change Points Detection









We propose a method for constructing sparse high-frequency volatility estimators that are robust against change points in the spot volatility process. The estimators we propose are $\ell_1$-regularized versions of existing volatility estimators. We focus on power variation estimators as they represent a fundamental class of volatility estimators. We establish consistency of these estimators for the true unobserved volatility and the change points locations, showing that minimax rates can be achieved for particular volatility estimators. The new estimators utilize the computationally efficient least angle regression algorithm for estimation purposes, followed by a reduced dynamic programming step to refine the final number of change points. In terms of numerical performance, these estimators are not only computationally fast but also accurately identify breakpoints near the end of the sample, both features highly desirable in today's electronic trading environment. In terms of out-of-sample volatility prediction, our new estimators provide more realistic and smoother volatility forecasts, outperforming a broad range of classical and recent volatility estimators across various frequencies and forecasting horizons.

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.