跳至正文
返回文库全部文档

高频尾部风险的正则化极值回归

文章 arXiv papers · 作者: Julien Hambuckers et al.
阅读原文

总结

这项研究建模高频市场中极端损失的严重程度如何随交易活动和市场不确定性变化。其动态极值回归允许预测变量是平稳过程或局部单位根过程，从而处理可能扭曲尾部风险变化估计的预测变量行为。候选预测变量包括波动率和流动性指标。

为筛选相关预测变量，作者提出两步自适应 L1 正则化极大似然估计量。作者证明了该方法在选择这两类预测变量时具有预言机性质，并报告模拟中的有限样本表现良好。一项针对九只流动性较高的美国股票高频极端损失的实证研究使用了 42 个流动性和波动率指标；结果发现，在价格冲击较低且波动率指标较高的情形下，损失严重程度具有可预测性。摘录未提供预测表现指标，也未说明结果能否推广至其他资产、市场或交易场景。

核心观点

  • 该模型将高频极端损失严重程度与流动性和波动率预测变量联系起来。
  • 模型允许预测变量为平稳过程或局部单位根过程。
  • 自适应 L1 正则化似然方法用于筛选预测变量。
  • 研究报告了理论上的变量选择性质及支持性模拟结果。
  • 在股票样本中，价格冲击较低且波动率指标较高，有助于预测极端损失严重程度。

标签

股票高频交易波动率市场微观结构统计学风险管理
全文
# Measuring tail risk at high-frequency: An $L_1$-regularized extreme value regression approach with unit-root predictors


# Measuring tail risk at high-frequency: An $L_1$-regularized extreme value regression approach with unit-root predictors









We study tail risk dynamics in high-frequency financial markets and their connection with trading activity and market uncertainty. We introduce a dynamic extreme value regression model accommodating both stationary and local unit-root predictors to appropriately capture the time-varying behaviour of the distribution of high-frequency extreme losses. To characterize trading activity and market uncertainty, we consider several volatility and liquidity predictors, and propose a two-step adaptive $L_1$-regularized maximum likelihood estimator to select the most appropriate ones. We establish the oracle property of the proposed estimator for selecting both stationary and local unit-root predictors, and show its good finite sample properties in an extensive simulation study. Studying the high-frequency extreme losses of nine large liquid U.S. stocks using 42 liquidity and volatility predictors, we find the severity of extreme losses to be well predicted by low levels of price impact in period of high volatility of liquidity and volatility.

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。