Dispongo de datos de alta frecuencia para acciones financieras (periodicidad de 5 minutos) y quiero prever la volatilidad.
Estoy familiarizado con los modelos ARCH/GARCH habituales y sus variantes para datos diarios, pero después de investigar un poco he aprendido que estos modelos no funcionan bien con datos de alta frecuencia.
¿Qué modelo es el mejor para predecir la volatilidad cuando tengo un punto de datos cada 5 minutos? ¿Hay alguna implementación conocida de ese modelo en Python?
Hice mi tesis de licenciatura sobre este tema y descubrí que los métodos no paramétricos, como SVR y RF, superan a las especificaciones econométricas clásicas (ARCH, GARCH, EGARCH, etc.). En la literatura se encuentran resultados similares y las relaciones no lineales, así como las colas gruesas, se citan a menudo como posibles culpables.
Podría valer la pena echar un vistazo a lo que ocurre cuando se introducen los desfases deseados en un modelo como ese.
Estudiamos exactamente esto en Dinámica endógena de la liquidez intradía de Bińkowski y L (el el preimpreso está ahí ).
Mi recomendación es empezar con un modelo AR (autorregresivo), y luego gastarlo. Debería ver que si introduce otras variables en una versión VAR (autorregresiva vectorial) de este modelo, los rezagos necesarios disminuirán, como si los volúmenes negociados recientemente (y otras variables de liquidez) contienen información sobre la volatilidad menos reciente .
En el pasado también utilicé LSTM (una versión de red neuronal de ARMA), que era más útil para los volúmenes que para la volatilidad (especialmente si uno quiere aprender los rezagos correctos a utilizar).
FinanHelp es una comunidad para personas con conocimientos de economía y finanzas, o quiere aprender. Puedes hacer tus propias preguntas o resolver las de los demás.
