Пластичность волатильности:Внутридневная волатильность — различия между версиями

Материал из synset
Перейти к: навигация, поиск
 
(не показаны 3 промежуточные версии этого же участника)
Строка 10: Строка 10:
 
{| width="100%"  
 
{| width="100%"  
 
  | width="90%" align="center"|<math> \sigma^2 = \frac{n}{n-1} \sum^n_{i=1} (r_i-\bar{r})^2. </math>
 
  | width="90%" align="center"|<math> \sigma^2 = \frac{n}{n-1} \sum^n_{i=1} (r_i-\bar{r})^2. </math>
  | <div width="10%" align="right" style="color:#0000CC">'''(EQN)'''</div>
+
  | <div width="10%" align="right" style="color:#0000CC">'''(4)'''</div>
 
  |}
 
  |}
  
В течение дня мы имеем <math>\textstyle n=96=4\cdot 24</math> пятнадцатиминутных лагов. Множитель <math>\textstyle n</math> в () приводит 15-минутную волатильность к дневному значению. Временная динамика ''внутридневной волатильности'' имела следующий вид (1250 торговых дней, без учёта выходных и основных праздников):  
+
В течение дня мы имеем <math>\textstyle n=96=4\cdot 24</math> пятнадцатиминутных лагов. Множитель <math>\textstyle n</math> в (4) приводит 15-минутную волатильность к дневному значению. Временная динамика ''внутридневной волатильности'' имела следующий вид (1250 торговых дней, без учёта выходных и основных праздников):  
  
 
<center>[[File:volat_pic4.png]]</center>
 
<center>[[File:volat_pic4.png]]</center>
Строка 35: Строка 35:
 
Похожие результаты получаются и для других валют. Наклоны регрессионных прямых <math>\textstyle v_t/\sigma_t</math> и <math>\textstyle a_t/\sigma_t</math> для шести валютных пар имеют следующие значения:  
 
Похожие результаты получаются и для других валют. Наклоны регрессионных прямых <math>\textstyle v_t/\sigma_t</math> и <math>\textstyle a_t/\sigma_t</math> для шести валютных пар имеют следующие значения:  
  
<center>[[File:volat_tbl1a]]</center>
+
<center>[[File:volat_tbl1a.png]]</center>
  
 
В каждом случае ошибка линейной аппроксимации для <math>\textstyle v</math> была меньше, чем для <math>\textstyle a</math>, и существенно меньше, чем для <math>\textstyle |r|</math>.
 
В каждом случае ошибка линейной аппроксимации для <math>\textstyle v</math> была меньше, чем для <math>\textstyle a</math>, и существенно меньше, чем для <math>\textstyle |r|</math>.
Строка 45: Строка 45:
 
{| width="100%"  
 
{| width="100%"  
 
  | width="90%" align="center"|<math> \rho_s(v) \;=\; cor(v_t, v_{t-s}) \;=\; \frac{\left\langle (v_t-\bar{v})(v_{t-s}-\bar{v})\right\rangle }{\sigma^2_v}, </math>
 
  | width="90%" align="center"|<math> \rho_s(v) \;=\; cor(v_t, v_{t-s}) \;=\; \frac{\left\langle (v_t-\bar{v})(v_{t-s}-\bar{v})\right\rangle }{\sigma^2_v}, </math>
  | <div width="10%" align="right" style="color:#0000CC">'''(EQN)'''</div>
+
  | <div width="10%" align="right" style="color:#0000CC">'''(5)'''</div>
 
  |}
 
  |}
  
где усреднение проводится по всем наблюдаемым значениям <math>\textstyle v_t=v_1,..,v_n</math>. Для дневных курсов EURUSD (2004-2008) получаются следующие диаграммы автокорреляции как функции параметра сдвига <math>\textstyle s</math>: \includegraphics{pic/cor_s_a_r.eps}\\ {\small Рис.\arabic{myfig}\addtocounter{myfig}{1}: Коррелограммы волатильности для EURUSD} Видно, что наиболее высокими являются автокорреляции внутридневной волатильности <math>\textstyle \rho_1(\sigma)=0.77</math>, затем идут модифицированные амплитуды размаха цены <math>\textstyle \rho_1(v)=0.54</math>, простой амплитуды <math>\textstyle \rho_1(a)=0.47</math>, и самые маленькие значения коэффициентов у модуля логарифмической доходности <math>\textstyle \rho_1(|r|)=0.11</math>.
+
где усреднение проводится по всем наблюдаемым значениям <math>\textstyle v_t=v_1,..,v_n</math>. Для дневных курсов EURUSD (2004-2008) получаются следующие диаграммы автокорреляции как функции параметра сдвига <math>\textstyle s</math>:  
 +
 
 +
<center>[[File:volat_pic6.png]]</center>
 +
 
 +
Видно, что наиболее высокими являются автокорреляции внутридневной волатильности <math>\textstyle \rho_1(\sigma)=0.77</math>, затем идут модифицированные амплитуды размаха цены <math>\textstyle \rho_1(v)=0.54</math>, простой амплитуды <math>\textstyle \rho_1(a)=0.47</math>, и самые маленькие значения коэффициентов у модуля логарифмической доходности <math>\textstyle \rho_1(|r|)=0.11</math>.
  
 
Высокие автокорреляции появляются при рассмотрении самых разнообразных финансовых инструментов и являются довольно интригующим фактом <ref name="Cont2001"> R. Cont, 2001, {Empirical properties of asset returns: stylized facts and statistical issues}, ''Quantitative Finance'' Vol.1, pp.223-236.
 
Высокие автокорреляции появляются при рассмотрении самых разнообразных финансовых инструментов и являются довольно интригующим фактом <ref name="Cont2001"> R. Cont, 2001, {Empirical properties of asset returns: stylized facts and statistical issues}, ''Quantitative Finance'' Vol.1, pp.223-236.

Текущая версия на 20:32, 6 марта 2010

Измерение волатильности << Оглавление >> Эмпирические особенности автокорреляций

Продемонстрируем эффективность модифицированной амплитуды размаха на реальных данных. Рассмотрим 15-минутные котировки на рынке Форекс за период с 2004 по 2008 год для пары EURUSD. Произведём их агрегирование в дневные точки, вычисляя, кроме минимального и максимального значения, также внутридневную волатильность на основе логарифмических доходностей 15-минутных лагов:

(4)

В течение дня мы имеем пятнадцатиминутных лагов. Множитель в (4) приводит 15-минутную волатильность к дневному значению. Временная динамика внутридневной волатильности имела следующий вид (1250 торговых дней, без учёта выходных и основных праздников):

Volat pic4.png

Видно, что, начиная с осени 2008-го года, волатильность валютного рынка, как, впрочем, и других финансовых рынков, существенно выросла, в связи с обострением финансового кризиса. Однако, даже в докризисный период волатильность имеет ярко выраженную нестационарную составляющую.

Предположим, что полученная по выборке из чисел выборочная волатильность лучше характеризует "истинную" волатильность, чем только дневной базис из трёх чисел [1], [2], [3], [4]. Более качественная мера волатильности, основанная на базисе, должна быть лучше скоррелирована с внутридневной волатильностью. Построим точечные диаграммы зависимости ежедневных значений , и от внутридневной волатильности (EURUSD 2004-2008):

Volat pic5.png

Несложно видеть, что и существенно лучше связаны с , чем . Переход от амплитуд "" к модифицированным амплитудам "" даёт определённый выигрыш, однако он, конечно, не столь значителен.

Похожие результаты получаются и для других валют. Наклоны регрессионных прямых и для шести валютных пар имеют следующие значения:

Volat tbl1a.png

В каждом случае ошибка линейной аппроксимации для была меньше, чем для , и существенно меньше, чем для .

Несмотря на заметный разброс, значения , и близки к своим теоретическим величинам 1.197, 1.596 и 0.798, возникающим при случайном винеровском блуждании. Тем не менее, необходимо помнить, что, например, отношение справедливо только для броуновского блуждания с нормальным распределением доходности лага. На практике это не совсем так, и отношение может быть равно некоторой константе, отличной от , определение значения которой мы обсудим ниже.

Ещё одним признаком значимости модифицированной амплитуды размаха цены являются автокорреляционные коэффициенты, которые будут объектом нашего интереса:

(5)

где усреднение проводится по всем наблюдаемым значениям . Для дневных курсов EURUSD (2004-2008) получаются следующие диаграммы автокорреляции как функции параметра сдвига :

Volat pic6.png

Видно, что наиболее высокими являются автокорреляции внутридневной волатильности , затем идут модифицированные амплитуды размаха цены , простой амплитуды , и самые маленькие значения коэффициентов у модуля логарифмической доходности .

Высокие автокорреляции появляются при рассмотрении самых разнообразных финансовых инструментов и являются довольно интригующим фактом [5]. Для сравнения, 1-й автокорреляционный коэффициент доходности курса EURUSD равен , что с учётом двойной статистической ошибки 0.06 (1250 торговых дней) соответствует отсутствию корреляции. Эта непредсказуемость рынка является проявлением его эффективности.

Однако для модулей доходности, и тем более волатильностей, это не так. На основании этого факта строится огромное количество стохастических моделей, претендующих на предсказание будущих значений волатильности. В большинстве своём эти модели носят эмпирический характер, не объясняя причин появления автокорреляций. Одной из наших задач будет предложить подобное объяснение.

Примчания

  1. O.E. Barndorff-Nielsen, N.Shephard, 2000, {Econometric analysis of realised volatility and its use in estimating stochastic volatility models},
  2. B. Biais, L. Glosten, C. Spatt, 2005, {Market microstructure: A surveyof microfoundations, empirical results, and policy implications} Journal of Financial Markets, No.8, pp.217-264.
  3. A.Madhavan, 2000 {Market microstructure: A survey} Journal of Financial Markets, 3, pp.205-258.
  4. F.M. Bandi, J.R. Russell, 2003, {Separating microstructure noise from volatility}
  5. R. Cont, 2001, {Empirical properties of asset returns: stylized facts and statistical issues}, Quantitative Finance Vol.1, pp.223-236.

Измерение волатильности << Оглавление >> Эмпирические особенности автокорреляций