¿Cómo predecir la volatilidad con datos de alta frecuencia?

Question

Existe una amplia bibliografía sobre las previsiones de volatilidad con datos de ticks de alta frecuencia. Gran parte de ella ha girado en torno al concepto de "volatilidad realizada", como:

• "Volatilidad realizada y correlación" (Andersen, Bollerslev, Diebold y Labys 1999)
• "Modelización y previsión de la volatilidad realizada" (Andersen, Bollerslev, Diebold y Labys 1999)

Otros esfuerzos se han centrado en los datos altos/bajos para mejorar la previsión sin incluir todos los datos de los ticks.

Robert Almgrem ha una bonita conferencia sobre el tema como parte de su "Análisis de series temporales y arbitraje estadístico" curso en la Universidad de Nueva York.

¿Cuál es la mejor manera de prever la volatilidad utilizando datos de alta frecuencia?

Nota: Anteriormente se planteó una pregunta similar preguntó en Wilmott .

Answer 1

Personalmente, he tratado la estimación de la volatilidad utilizando wavelets con datos de HF. Las estimaciones parecen razonables y también es bastante rápido en el cálculo en comparación con otros métodos. Hay bastante literatura sobre el tema, yo recomendaría empezar con Introducción a las ondículas y otros métodos de filtrado en finanzas y economía

Answer 2

Papel relevante:

Estimación eficiente de la volatilidad utilizando datos de alta frecuencia (Zumbach, Corsi y Trapletti 2002)

http://www.olsen.ch/fileadmin/Publications/Working_Papers/020221-efficientVolEstimator.pdf

Answer 3

Quizá haya oído hablar de un Kaggle concurso llamado Predicción de volatilidad realizada de Optiver . El año pasado, la empresa de comercio cuantitativo Optiver puso en marcha este concurso hft, en el que se pedía a los participantes que crearan modelos para predecir la volatilidad a corto plazo de cientos de valores de distintos sectores.

La mayoría de los ganadores de la tabla de clasificación utilizaron Python para calcular las características derivadas, y puede encontrar sus soluciones específicas en Kaggle .

He aquí otra solución con mejores prestaciones. Puede utilizar DolphinDB para predecir la volatilidad, que es 30 veces más rápido que Python. Puede consultar este artículo para más información.

Answer 4

std(PPS)

PPS = Paquetes por segundo (artículo de la wiki: paquetes de red )

La desviación estándar de los paquetes por segundo recibidos de una fuente de liquidez está directamente relacionada con el número de comillas por segundo, o el número de operaciones por segundo que se producen en esa fuente de liquidez. Por lo tanto, cuanto mayor sea el número de paquetes de red/datos por segundo, mayor será la volatilidad en ese centro específico, o en el mercado en su conjunto. std(PPS) puede utilizarse como indicador adelantado de la volatilidad en un entorno de negociación por debajo del segundo.

Esta respuesta se basa en mi experiencia personal de analizar múltiples proveedores de liquidez (fuentes de datos) en tiempo real para predecir / mitigar la volatilidad o los mercados estresados.