Регуляризованная регрессия экстремальных потерь на высокочастотных данных

Сводка

В исследовании моделируется, как тяжесть экстремальных потерь на высокочастотных рынках меняется вместе с торговой активностью и неопределенностью рынка. Динамическая регрессия экстремальных значений допускает как стационарные предикторы, так и локальные процессы с единичным корнем, учитывая поведение предикторов, которое иначе могло бы искажать оценку меняющегося хвостового риска. Среди потенциальных предикторов — показатели волатильности и ликвидности.

Для выбора релевантных предикторов авторы предлагают двухэтапную адаптивную оценку максимального правдоподобия с регуляризацией L1. Они устанавливают свойство оракула для отбора обоих типов предикторов и сообщают о благоприятных результатах симуляций на конечных выборках. В эмпирическом исследовании экстремальных потерь на высокочастотных данных по девяти ликвидным акциям США использованы 42 показателей ликвидности и волатильности; оно показывает, что тяжесть потерь предсказуема при низком ценовом воздействии и повышенных показателях волатильности. Во фрагменте нет метрик качества прогнозов и не установлено, насколько результаты применимы к другим активам, рынкам или условиям торговли.

Ключевые идеи

• Модель связывает тяжесть экстремальных потерь на высокочастотных данных с показателями ликвидности и волатильности.
• Предикторы могут быть стационарными или локальными процессами с единичным корнем.
• Адаптивный метод оценки правдоподобия с регуляризацией L1 отбирает предикторы.
• В исследовании сообщается о теоретических свойствах отбора и подтверждающих результатах симуляций.
• В выборке акций низкое ценовое воздействие вместе с высокими показателями волатильности помогает прогнозировать тяжесть экстремальных потерь.

Теги

# 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.

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.