Прогнозирование дробного броуновского движения для торговых решений

Сводка

В документе объясняется, как дробное броуновское движение (fBm), при котором непересекающиеся приращения могут быть зависимыми, позволяет прогнозировать будущие изменения цен. Если логарифмы цен следуют этому процессу, его немарковская структура может дать информацию для статистического арбитража. В работе выводятся теоретические показатели точности, ориентированные на торговлю, включая долю верных сигналов, ожидаемый выигрыш и риск, вместо оценки прогнозов только по традиционным статистическим критериям.

Также рассматриваются практические решения при построении стратегии: какие прошлые приращения использовать и в каких случаях небольшое прогнозируемое изменение слишком неопределенно или невыгодно для торговли. В эмпирических приложениях используются высокочастотные валютные курсы и ряды реализованной волатильности, связывающие анализ прогнозов с шероховатой волатильностью. В описании документа не приведены конкретные показатели результатов, предположения о транзакционных издержках или проверки за пределами этих приложений, поэтому оно не подтверждает, что сигналы на основе fBm сохранят доходность при торговле на реальном счете.

Ключевые идеи

• Дробное броуновское движение допускает зависимость между приращениями, благодаря чему будущие состояния могут быть предсказуемы.
• Предлагаемый анализ связывает точность прогноза с долей верных сигналов, ожидаемым выигрышем и риском стратегии.
• Выбор запаздывающих приращений — практическая задача отбора входных данных.
• Порог отказа от сделок при небольших прогнозируемых изменениях может влиять на доходность стратегии.
• В приложениях изучаются высокочастотные валютные курсы FX и реализованная волатильность.

Теги

# Forecasting with fractional Brownian motion: a financial perspective


# Forecasting with fractional Brownian motion: a financial perspective









The fractional Brownian motion (fBm) extends the standard Brownian motion by introducing some dependence between non-overlapping increments. Consequently, if one considers for example that log-prices follow an fBm, one can exploit the non-Markovian nature of the fBm to forecast future states of the process and make statistical arbitrages. We provide new insights into forecasting an fBm, by proposing theoretical formulas for accuracy metrics relevant to a systematic trader, from the hit ratio to the expected gain and risk of a simple strategy. In addition, we answer some key questions about optimizing trading strategies in the fBm framework: Which lagged increments of the fBm, observed in discrete time, are to be considered? If the predicted increment is close to zero, up to which threshold is it more profitable not to invest? We also propose empirical applications on high-frequency FX rates, as well as on realized volatility series, exploring the rough volatility concept in a forecasting perspective.

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.