跳至正文
返回文库全部文档

金融时间序列中的快慢成分分离

文章 arXiv papers · 作者: Jan Rosenzweig
阅读原文

总结

本文介绍一种将金融时间序列分解为不同时间尺度过程的方法。该方法将分离问题表述为广义特征值问题，并依据方差和尾部平稳性标准识别资产收益与价格中的较慢和较快成分。研究提出，这种分解有助于分析参数漂移、均值回归和尾部风险管理。

文中报告了涉及货币、股票 ETF 和美国国债收益率的实证案例，作为该方法适用于多个市场的证据。但文中没有提供数据集、实施选择、验证流程或案例具体发现的细节。因此，这段简介有助于了解方法的目标和大致范围，却不足以判断其表现或与其他方法比较。该方法对交易决策是否有用，取决于这些未提供的细节，以及所识别的成分能否在其他数据和市场环境中保持稳定。

核心观点

  • 金融时间序列可能包含以不同时间尺度运行、彼此相互作用的过程。
  • 利用方差和尾部平稳性标准识别快慢成分。
  • 使用广义特征值方法表述成分分离问题。
  • 分离后的成分可能有助于研究参数漂移、均值回归和尾部风险。
  • 案例涵盖货币、股票 ETF 和美国国债收益率，但未提供具体结果。

标签

统计学均值回归风险管理多资产
全文
# Fast Times, Slow Times: Timescale Separation in Financial Timeseries Data


# Fast Times, Slow Times: Timescale Separation in Financial Timeseries Data









Financial time series exhibit multiscale behavior, with interaction between multiple processes operating on different timescales. This paper introduces a method for separating these processes using variance and tail stationarity criteria, framed as generalized eigenvalue problems. The approach allows for the identification of slow and fast components in asset returns and prices, with applications to parameter drift, mean reversion, and tail risk management. Empirical examples using currencies, equity ETFs and treasury yields illustrate the practical utility of the method.

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。