تبدیلی کے نقاط کے ساتھ ہائی فریکوئنسی اتار چڑھاؤ کا تخمینہ

خلاصہ

یہ مقالہ ایسے کم تعدادی اعلیٰ فریکوئنسی اتار چڑھاؤ کے تخمینے تیار کرتا ہے جو اسپاٹ اتار چڑھاؤ میں اچانک تبدیلیوں کے باوجود مضبوط رہنے کے لیے بنائے گئے ہیں۔ مجوزہ تخمینے موجودہ طریقوں پر ℓ1 جرمانہ لاگو کرتے ہیں، اور پاور ویری ایشن تخمینوں پر توجہ دیتے ہیں، جو اتار چڑھاؤ کی پیمائش کا ایک بنیادی طبقہ ہیں۔ مصنفین پوشیدہ بنیادی اتار چڑھاؤ اور اس کے تبدیلی کے مقامات، دونوں کے تخمینے میں مطابقت ثابت کرتے ہیں، جبکہ مخصوص تخمینوں کے لیے کم سے کم زیادہ سے زیادہ شرحیں حاصل کی جاتی ہیں۔

حساب کے لیے یہ طریقہ لیسٹ اینگل ریگریشن سے ممکنہ تبدیلیوں کا تخمینہ لگاتا ہے، پھر ان کی تعداد بہتر کرنے کے لیے مختصر ڈائنامک پروگرامنگ کا مرحلہ استعمال کرتا ہے۔ عددی نتائج کو تیز رفتار اور نمونے کے اختتام کے قریب بریک پوائنٹس کی درست شناخت کرنے والا بتایا گیا ہے۔ آؤٹ آف سیمپل پیش گوئی میں تخمینوں کے بارے میں بتایا گیا ہے کہ وہ اتار چڑھاؤ کی زیادہ ہموار اور حقیقت پسندانہ پیش گوئیاں دیتے ہیں اور مختلف سیمپلنگ فریکوئنسیوں اور افقوں میں کلاسیکی اور نئے متبادل طریقوں کی وسیع حد سے بہتر کارکردگی دکھاتے ہیں۔ فراہم کردہ وضاحت میں مخصوص ڈیٹاسیٹس، معیارِ موازنہ یا عددی کارکردگی نہیں دی گئی، جس سے اس موازنے کا آزادانہ جائزہ محدود رہتا ہے۔

اہم خیالات

• تخمینے ℓ1 ریگولرائزیشن استعمال کرتے ہیں تاکہ اعلیٰ فریکوئنسی اتار چڑھاؤ کے تخمینے کم تعدادی ہوں اور اچانک تبدیلیوں کے مقابل مضبوط رہیں۔
• مقالہ پاور ویرئیشن تخمینوں کا مطالعہ کرتا ہے اور اتار چڑھاؤ اور تبدیلی کے نقاط کے مقامات کے لیے مطابقت ثابت کرتا ہے۔
• لیسٹ اینگل ریگریشن ممکنہ تبدیلیاں تلاش کرتی ہے، اور مختصر ڈائنامک پروگرامنگ ان کی تعداد بہتر بناتی ہے۔
• مصنفین نمونے کے آخری حصے میں بریک پوائنٹس کی درست شناخت اور مختلف فریکوئنسیوں اور افقوں پر بہتر آؤٹ آف سیمپل پیش گوئیوں کی اطلاع دیتے ہیں۔

ٹیگز

# 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.

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۔