Разреженная оценка высокочастотной волатильности с поиском точек изменения

Сводка

В статье разрабатываются разреженные оценки высокочастотной волатильности, устойчивые к резким изменениям спотовой волатильности. Предложенные оценки добавляют штраф ℓ1 к существующим методам, уделяя особое внимание оценкам степенной вариации — базовому классу методов измерения волатильности. Авторы доказывают состоятельность оценки как скрытой базовой волатильности, так и расположения точек её изменения; для некоторых оценок достигаются минимаксные скорости.

Для вычислений метод использует регрессию наименьшего угла, чтобы оценить возможные точки изменения, а затем сокращённый этап динамического программирования уточняет их число. Численные результаты описываются как быстрые и точно обнаруживающие точки разрыва ближе к концу выборки. При прогнозировании вне выборки оценки, как сообщается, дают более гладкие и реалистичные прогнозы волатильности и превосходят широкий набор классических и современных альтернатив при разных частотах выборки и горизонтах. В представленном описании нет конкретных наборов данных, бенчмарков или численных результатов, поэтому независимо оценить сравнение невозможно.

Ключевые идеи

• Оценки высокочастотной волатильности становятся разреженными и устойчивыми к резким изменениям благодаря регуляризации ℓ1.
• В статье изучаются оценки степенной вариации и доказывается состоятельность оценки волатильности и расположения точек изменения.
• Регрессия наименьшего угла находит возможные точки изменения, а сокращённое динамическое программирование уточняет их число.
• Авторы сообщают о точном обнаружении точек разрыва ближе к концу выборки и улучшенных прогнозах вне выборки на разных частотах и горизонтах.

Теги

# 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.

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.