Масштабирование высокочастотной доходности S&P для внутридневной торговли по модели

Сводка

В статье используются масштабные свойства агрегированной высокочастотной доходности S&P 500 для построения стохастической модели мартингального типа. Модель должна воспроизводить условные ожидания для утренней сессии, а затем расширяется на дневную торговлю. Прогнозы модели формируют внутридневные сигналы следования за трендом; сигналы исходят из модели, а не из графических паттернов. Предлагаемая стратегия нацелена на использование линейных корреляций, присутствующих в данных S&P, но отсутствующих в модели.

По результатам внутривыборочных и вневыборочных тестов модель превосходит эталон на основе асимметричного процесса GARCH; также сообщается о небольших арбитражных возможностях. Авторы утверждают, что без линейных корреляций прибыль исчезла бы, и обсуждают возможное применение для хеджирования риска волатильности продуктов, связанных с S&P. В предоставленном описании нет дат тестирования, предположений о реализации, транзакционных издержек или численных показателей результатов, поэтому устойчивость и практическую применимость оценить нельзя. Заявленное преимущество связано с указанными свойствами данных и сравнением моделей.

Ключевые идеи

• Масштабирование агрегированной высокочастотной доходности используется для построения мартингальной модели условных ожиданий.
• Модель расширена с утренней сессии на дневную торговлю.
• Прогнозы модели формируют внутридневные сигналы следования за трендом без критериев на основе графиков.
• Заявленная прибыль стратегии зависит от линейных корреляций в данных S&P.
• Тесты показывают преимущество над эталоном на основе асимметричного процесса GARCH, однако подробности реализации не приведены.

Теги

# Ensemble properties of high frequency data and intraday trading rules


# Ensemble properties of high frequency data and intraday trading rules









Regarding the intraday sequence of high frequency returns of the S&P index as daily realizations of a given stochastic process, we first demonstrate that the scaling properties of the aggregated return distribution can be employed to define a martingale stochastic model which consistently replicates conditioned expectations of the S&P 500 high frequency data in the morning of each trading day. Then, a more general formulation of the above scaling properties allows to extend the model to the afternoon trading session. We finally outline an application in which conditioned forecasting is used to implement a trend-following trading strategy capable of exploiting linear correlations present in the S&P dataset and absent in the model. Trading signals are model-based and not derived from chartist criteria. In-sample and out-of-sample tests indicate that the model-based trading strategy performs better than a benchmark one established on an asymmetric GARCH process, and show the existence of small arbitrage opportunities. We remark that in the absence of linear correlations the trading profit would vanish and discuss why the trading strategy is potentially interesting to hedge volatility risk for S&P index-based products.

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.