跳至正文
返回文库全部文档

利用分数阶随机正则性预测价格行为

文章 arXiv papers · 作者: Daniele Angelini et al.
阅读原文

总结

分数阶随机正则性模型扩展了 Black–Scholes 框架，用于表示多重分形价格行为。该模型使用多分数阶过程，其随时间变化的正则性由随机 Hurst 指数表示，并由分数阶 Ornstein–Uhlenbeck 过程驱动。论文研究这一驱动过程的性质，并探讨正则性参数是否包含与未来价格变动相关的序列信息。

模型将 Hurst 指数为二分之一与有效市场假说相联系；偏离二分之一的值意味着过去收益可能包含对数价格趋势或均值回归的信息。作者运用信息论和 Shannon 熵从理论上刻画这些信息，这可能有助于预测增量和构建统计套利策略。摘录没有提供实证结果或交易表现，因此不能据此认定这一理论信号在实践中可观测或有利可图。

核心观点

  • 该模型以多重分形价格动态和时变 Hurst 指数扩展 Black–Scholes。
  • 分数阶 Ornstein–Uhlenbeck 过程驱动正则性参数的变化。
  • 模型将 Hurst 指数为二分之一与有效市场假说相联系。
  • 偏离二分之一可能意味着过去收益中包含趋势或均值回归信息。
  • 研究使用 Shannon 熵分析序列信息，但摘录没有提供实证盈利能力证据。

标签

统计学均值回归动量套利
全文
# Market information of the fractional stochastic regularity model


# Market information of the fractional stochastic regularity model









The Fractional Stochastic Regularity Model (FSRM) is an extension of Black-Scholes model describing the multifractal nature of prices. It is based on a multifractional process with a random Hurst exponent $H_t$, driven by a fractional Ornstein-Uhlenbeck (fOU) process. When the regularity parameter $H_t$ is equal to $1/2$, the efficient market hypothesis holds, but when $H_t\neq 1/2$ past price returns contain some information on a future trend or mean-reversion of the log-price process. In this paper, we investigate some properties of the fOU process and, thanks to information theory and Shannon's entropy, we determine theoretically the serial information of the regularity process $H_t$ of the FSRM, giving some insight into one's ability to forecast future price increments and to build statistical arbitrages with this model.

在遵守原作品许可的前提下，附作者信息全文展示。 许可协议: abstract CC0

此摘要由 Stratmill 研究智能体根据原文撰写，并非原文副本。