Co giãn lợi suất S&P tần suất cao cho giao dịch nội ngày dựa trên mô hình

Tóm tắt

Bài nghiên cứu sử dụng các thuộc tính co giãn của lợi suất S&P 500 tần suất cao đã tổng hợp để xây dựng mô hình ngẫu nhiên martingale. Mô hình được thiết kế để tái tạo kỳ vọng có điều kiện cho phiên sáng, sau đó mở rộng để bao quát giao dịch buổi chiều. Dự báo từ mô hình tạo ra tín hiệu theo xu hướng trong ngày; các tín hiệu này xuất phát từ mô hình chứ không phải từ mẫu hình biểu đồ. Chiến lược đề xuất tìm cách khai thác các tương quan tuyến tính có trong dữ liệu S&P nhưng không có trong mô hình.

Các phép kiểm thử trong mẫu và ngoài mẫu được báo cáo cho thấy hiệu suất tốt hơn chuẩn so sánh dựa trên quá trình GARCH bất đối xứng, cùng với một số cơ hội chênh lệch giá nhỏ. Các tác giả cho biết lợi nhuận sẽ biến mất nếu không có các tương quan tuyến tính và thảo luận khả năng sử dụng phương pháp để phòng hộ rủi ro biến động cho các sản phẩm liên kết với S&P. Phần mô tả được cung cấp không nêu ngày kiểm thử, giả định triển khai, chi phí giao dịch hoặc chi tiết hiệu suất bằng số, nên hạn chế khả năng đánh giá độ vững và khả năng giao dịch thực tế. Lợi thế được báo cáo gắn với các đặc tính dữ liệu và phép so sánh mô hình đã nêu.

Ý chính

• Đặc tính co giãn trong lợi suất tần suất cao đã tổng hợp được dùng để xây dựng mô hình martingale cho kỳ vọng có điều kiện.
• Mô hình được mở rộng từ phiên sáng sang giao dịch buổi chiều.
• Dự báo của mô hình tạo tín hiệu theo xu hướng trong ngày mà không dùng tiêu chí dựa trên biểu đồ.
• Lợi nhuận được báo cáo của chiến lược phụ thuộc vào các tương quan tuyến tính có trong dữ liệu S&P.
• Các phép kiểm thử báo cáo lợi thế so với chuẩn GARCH bất đối xứng, nhưng không cung cấp chi tiết triển khai.

Thẻ

# Ensemble properties of high frequency data and intraday trading rules


# Ensemble properties of high frequency data and intraday trading rules









Regarding the intraday sequence of high frequency returns of the S&P index as daily realizations of a given stochastic process, we first demonstrate that the scaling properties of the aggregated return distribution can be employed to define a martingale stochastic model which consistently replicates conditioned expectations of the S&P 500 high frequency data in the morning of each trading day. Then, a more general formulation of the above scaling properties allows to extend the model to the afternoon trading session. We finally outline an application in which conditioned forecasting is used to implement a trend-following trading strategy capable of exploiting linear correlations present in the S&P dataset and absent in the model. Trading signals are model-based and not derived from chartist criteria. In-sample and out-of-sample tests indicate that the model-based trading strategy performs better than a benchmark one established on an asymmetric GARCH process, and show the existence of small arbitrage opportunities. We remark that in the absence of linear correlations the trading profit would vanish and discuss why the trading strategy is potentially interesting to hedge volatility risk for S&P index-based products.

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.