Вейвлеты для классификации ценовых скачков и заражения через совместные скачки

Сводка

В исследовании представлен метод без учителя для анализа скачков цен акций с помощью представлений, построенных на коэффициентах вейвлет-преобразования. Метод призван различать модели скачков, связанные с внутренней динамикой системы, и модели, обусловленные внешними шоками. В анализе временная асимметрия волатильности выделяется как значимый признак; также обнаружено, что возврат к среднему и тренд помогают определить дополнительные классы скачков.

Представление на основе вейвлетов также используется для изучения совместных скачков, когда несколько акций резко меняются в течение одной минуты. Авторы утверждают, что значительная доля таких событий отражает эндогенное заражение. Этот подход позволяет изучать распространение шоков между акциями, однако в документе не указаны выборка, процедура проверки или доказательства того, что эндогенные события можно отделить от экзогенных. Поэтому приведённые выводы описывают результаты исследования, а не подтверждённое универсальное правило классификации.

Ключевые идеи

• Коэффициенты вейвлет-преобразования дают представление без учителя для классификации скачков цен акций.
• В анализе скачков важным признаком является временная асимметрия волатильности.
• Возврат к среднему и тренд служат дополнительными признаками для различения классов скачков.
• Авторы утверждают, что значительная доля совместных скачков в одну минуту возникает из-за эндогенного заражения.

Теги

# Riding Wavelets: A Method to Discover New Classes of Price Jumps


# Riding Wavelets: A Method to Discover New Classes of Price Jumps









Cascades of events and extreme occurrences have garnered significant attention across diverse domains such as financial markets, seismology, and social physics. Such events can stem either from the internal dynamics inherent to the system (endogenous), or from external shocks (exogenous). The possibility of separating these two classes of events has critical implications for professionals in those fields. We introduce an unsupervised framework leveraging a representation of jump time-series based on wavelet coefficients and apply it to stock price jumps. In line with previous work, we recover the fact that the time-asymmetry of volatility is a major feature. Mean-reversion and trend are found to be two additional key features, allowing us to identify new classes of jumps. Furthermore, thanks to our wavelet-based representation, we investigate the reflexive properties of co-jumps, which occur when multiple stocks experience price jumps within the same minute. We argue that a significant fraction of co-jumps results from an endogenous contagion mechanism.

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.