موافقتی رسک سے بچاؤ کے لیے اتار چڑھاؤ کے ریجیمز کی کلسٹرنگ

خلاصہ

یہ مطالعہ غیر ساکن مالی زمانی سلسلوں میں ڈیٹا سے متعین ہونے والی اتار چڑھاؤ کے ریجیمز کی تعداد شناخت کرنے کا غیر زیر نگرانی طریقہ پیش کرتا ہے۔ یہ چینج پوائنٹ شناخت سے ہر سلسلے کو مقامی طور پر ساکن حصوں میں تقسیم کرتا، ان حصوں کی تقسیموں کے درمیان فاصلے ناپتا، اور پھر ایک بہتری کے طریقۂ کار کے ذریعے انہیں الگ الگ ریجیمز میں کلسٹر کرتا ہے۔ مصنفین اس طریقے کو مالی اشاریوں، بڑی مارکیٹ ویلیو والی ایکویٹیز، ایکسچینج ٹریڈڈ فنڈز اور کرنسی کے جوڑوں پر لاگو کرتے ہیں۔

وہ ایک متحرک ٹریڈنگ اسٹریٹیجی بھی بیان کرتے ہیں جو سلسلے کی موجودہ تقسیم کو اس کے تاریخی ریجیمز سے ملاتی ہے اور اس مطابقت کو آن لائن رسک سے بچاؤ کے فیصلوں میں استعمال کرتی ہے۔ رپورٹ کردہ حصہ ماضی کے اتار چڑھاؤ کے رویے کی ایک آسان وصفی نمائندگی اور ریجیم مطابقت پر مبنی توثیق شدہ اسٹریٹیجی ہے۔ دستاویز کارکردگی کے اعداد، لین دین کے اخراجات کا تجزیہ یا توثیق کے طریقے کی تفصیل نہیں دیتی۔ یہ طریقہ کچھ پیرامیٹرک ریجیم سوئچنگ ماڈلز کے سخت مفروضوں پر انحصار کم کرتا ہے، لیکن عملی قدر اب بھی مستحکم تخمینے اور تاریخی ریجیمز اور موجودہ حالات کے درمیان مفید مطابقت پر منحصر ہے۔

اہم خیالات

• چینج پوائنٹ شناخت غیر ساکن سلسلے کو مقامی طور پر ساکن حصوں میں تقسیم کرتی ہے۔
• حصوں کی تقسیموں کے درمیان فاصلے استعمال کر کے انہیں سیکھے گئے اتار چڑھاؤ کے ریجیمز میں کلسٹر کیا جاتا ہے۔
• یہ طریقہ اشاریوں، بڑی مارکیٹ ویلیو والی ایکویٹیز، ETFs اور کرنسی کے جوڑوں پر لاگو کیا جاتا ہے۔
• متحرک اسٹریٹیجی موجودہ تقسیموں کو تاریخی ریجیمز سے ملا کر آن لائن رسک سے بچاؤ کی رہنمائی کرتی ہے۔

ٹیگز

# Structural clustering of volatility regimes for dynamic trading strategies


# Structural clustering of volatility regimes for dynamic trading strategies









We develop a new method to find the number of volatility regimes in a nonstationary financial time series by applying unsupervised learning to its volatility structure. We use change point detection to partition a time series into locally stationary segments and then compute a distance matrix between segment distributions. The segments are clustered into a learned number of discrete volatility regimes via an optimization routine. Using this framework, we determine a volatility clustering structure for financial indices, large-cap equities, exchange-traded funds and currency pairs. Our method overcomes the rigid assumptions necessary to implement many parametric regime-switching models, while effectively distilling a time series into several characteristic behaviours. Our results provide significant simplification of these time series and a strong descriptive analysis of prior behaviours of volatility. Finally, we create and validate a dynamic trading strategy that learns the optimal match between the current distribution of a time series and its past regimes, thereby making online risk-avoidance decisions in the present.

ماخذ کا حوالہ دیتے ہوئے مکمل متن دکھایا گیا ہے، ماخذ کے لائسنس کے تحت۔ لائسنس: abstract CC0

یہ خلاصہ اصل ماخذ سے Stratmill کے تحقیقی ایجنٹ نے لکھا ہے؛ یہ ماخذ کی نقل نہیں۔