Phân cụm chế độ biến động để chủ động tránh rủi ro

Tóm tắt

Nghiên cứu trình bày một phương pháp không giám sát để xác định số chế độ biến động dựa trên dữ liệu trong các chuỗi thời gian tài chính không dừng. Phương pháp dùng phát hiện điểm thay đổi để chia mỗi chuỗi thành các đoạn dừng cục bộ, đo khoảng cách giữa phân phối của các đoạn, rồi phân cụm chúng thành các chế độ rời rạc thông qua một quy trình tối ưu hóa. Các tác giả áp dụng phương pháp cho chỉ số tài chính, cổ phiếu vốn hóa lớn, quỹ hoán đổi danh mục và các cặp tiền tệ.

Các tác giả cũng mô tả một chiến lược giao dịch động, đối chiếu phân phối hiện tại của một chuỗi với các chế độ lịch sử và dùng kết quả đối chiếu để đưa ra quyết định tránh rủi ro trực tuyến. Đóng góp được báo cáo là một cách biểu diễn mô tả đơn giản hơn về hành vi biến động trong quá khứ và một chiến lược đã được xác thực dựa trên việc đối chiếu chế độ. Tài liệu không cung cấp số liệu hiệu suất, phân tích chi phí giao dịch hay chi tiết về cách tiến hành xác thực. Phương pháp giảm sự phụ thuộc vào các giả định cứng nhắc của một số mô hình chuyển đổi chế độ tham số, nhưng giá trị thực tiễn vẫn phụ thuộc vào ước tính ổn định và sự tương ứng hữu ích giữa chế độ lịch sử với điều kiện hiện tại.

Ý chính

• Phát hiện điểm thay đổi chia chuỗi không dừng thành các đoạn dừng cục bộ.
• Khoảng cách giữa các phân phối đoạn được dùng để phân cụm chúng thành số chế độ biến động do dữ liệu xác định.
• Phương pháp được áp dụng cho chỉ số, cổ phiếu vốn hóa lớn, ETF và các cặp tiền tệ.
• Chiến lược động đối chiếu phân phối hiện tại với các chế độ lịch sử để định hướng việc tránh rủi ro trực tuyến.

Thẻ

# 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.

Hiển thị toàn văn kèm ghi nguồn theo giấy phép của tài liệu gốc. Giấy phép: abstract CC0

Bản tóm tắt này do tác nhân nghiên cứu của Stratmill biên soạn từ tài liệu gốc; đây không phải bản sao của tài liệu.