Biến động thô, mô hình ngẫu nhiên phân số và dự báo

Tóm tắt

Tài liệu sử dụng dữ liệu tần suất cao gần đây để nghiên cứu mức độ trơn của biến động theo thời gian. Tài liệu báo cáo rằng logarit của biến động gần giống chuyển động Brown phân số với số mũ Hurst rất thấp trên các thang thời gian hợp lý. Trên cơ sở đó, các tác giả chọn khuôn khổ biến động ngẫu nhiên phân số với số mũ dưới một nửa, gọi là Rough FSV.

Mô hình được mô tả là phù hợp với chuỗi thời gian tài chính và cải thiện dự báo biến động đã thực hiện. Phân tích cũng giải thích vì sao các kiểm định tính dai dẳng thông thường có thể nhầm dữ liệu từ quá trình biến động thô là có trí nhớ dài hạn, dù bản thân mô hình không có trí nhớ dài hạn. Một cách giải thích dựa trên cấu trúc vi mô được đề xuất, liên hệ tính thô với giao dịch tần suất cao và chia nhỏ lệnh. Phần trích dẫn không có bộ dữ liệu, chuẩn đối chiếu dự báo hay thước đo hiệu suất bằng số, nên không thể đánh giá độc lập mức cải thiện dự báo được báo cáo và phạm vi áp dụng.

Ý chính

• Nghiên cứu nhận thấy logarit của biến động có hành vi phân số thô với số mũ Hurst thấp.
• Mô hình Rough FSV được đề xuất sử dụng số mũ dưới một nửa.
• Các tác giả báo cáo dự báo biến động đã thực hiện được cải thiện, nhưng phần trích dẫn không nêu chi tiết chuẩn đối chiếu.
• Các kiểm định tính dai dẳng tiêu chuẩn có thể cho thấy trí nhớ dài hạn ngay cả khi dữ liệu đến từ mô hình biến động thô.
• Tài liệu liên hệ tính thô của biến động với giao dịch tần suất cao và việc chia nhỏ lệnh.

Thẻ

# Volatility is rough


# Volatility is rough









Estimating volatility from recent high frequency data, we revisit the question of the smoothness of the volatility process. Our main result is that log-volatility behaves essentially as a fractional Brownian motion with Hurst exponent H of order 0.1, at any reasonable time scale. This leads us to adopt the fractional stochastic volatility (FSV) model of Comte and Renault. We call our model Rough FSV (RFSV) to underline that, in contrast to FSV, H<1/2. We demonstrate that our RFSV model is remarkably consistent with financial time series data; one application is that it enables us to obtain improved forecasts of realized volatility. Furthermore, we find that although volatility is not long memory in the RFSV model, classical statistical procedures aiming at detecting volatility persistence tend to conclude the presence of long memory in data generated from it. This sheds light on why long memory of volatility has been widely accepted as a stylized fact. Finally, we provide a quantitative market microstructure-based foundation for our findings, relating the roughness of volatility to high frequency trading and order splitting.

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.