Кластеризация режимов волатильности для адаптивного снижения риска

Сводка

В исследовании представлен метод без учителя, который определяет на основе данных число режимов волатильности в нестационарных финансовых временных рядах. Для разделения каждого ряда на локально стационарные сегменты применяется обнаружение точек изменения; затем измеряются расстояния между распределениями сегментов и с помощью процедуры оптимизации сегменты объединяются в дискретные режимы. Авторы применяют метод к финансовым индексам, акциям компаний с большой капитализацией, биржевым фондам и валютным парам.

Авторы также описывают динамическую торговую стратегию, сопоставляющую текущее распределение ряда с его историческими режимами и использующую это соответствие для принятия решений по снижению риска в реальном времени. Заявленный вклад — более простое описательное представление прошлого поведения волатильности и проверенная стратегия на основе сопоставления режимов. В документе не приведены показатели эффективности, анализ транзакционных издержек или подробности проверки. Метод снижает зависимость от жёстких предположений некоторых параметрических моделей смены режимов, однако его практическая ценность по-прежнему зависит от устойчивости оценок и того, насколько исторические режимы соответствуют текущим условиям.

Ключевые идеи

• Обнаружение точек смены режима разделяет нестационарный ряд на локально стационарные сегменты.
• Расстояния между распределениями сегментов используются для кластеризации сегментов в определяемое по данным число режимов волатильности.
• Метод применяется к индексам, акциям с большой капитализацией, ETF и валютным парам.
• Динамическая стратегия сопоставляет текущие распределения с историческими режимами для принятия решений по снижению риска в реальном времени.

Теги

# 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.

Полный текст с указанием источника опубликован на условиях его лицензии. Лицензия: abstract CC0

Это краткое изложение подготовлено исследовательским агентом Stratmill по оригиналу и не является его копией.