El T+H Problema en el Factor de los pronósticos de los modelos

Question

Supongamos que el tren en M individuos que consta de T observaciones (es decir, TxM diseño de la matriz). La variable dependiente es de un año de retorno para cada uno de los de seguridad (H = horizonte de un año). En un factor de especificación del modelo, nos alineamos características de seguridad económica y el factor de exposición observada en el tiempo T con la variable dependiente observada en T+H. por lo Tanto, cualquier pronóstico operacional factor de modelo debe utilizar la información que está viciado por al menos un año.

Esto puede tener consecuencias traumáticas, especialmente, las condiciones del mercado están cambiando continuamente. Por ejemplo, un modelo de previsión de no "reconocer" a un mercado bajista hasta al menos un año completo en el mercado de oso (tal vez cuando el mercado de oso acabó como en la ilustración de abajo). Asimismo, un total de un año después del final de el oso el mercado en Marzo de 2009 como un modelo de previsión de continuaría predecir sustancial de los rendimientos negativos a Marzo de 2010 y, a continuación, algunos. O considerar hoy, 1 año de modelo de pronóstico más reciente de datos de entrenamiento es una observación a partir de agosto de 2010 – los cambios en el factor de las primas se retrasa por la construcción.

Echa un vistazo a este se deslice de un Axioma Modelo de Riesgo de presentación:

Aviso quedado el "eco" de la volatilidad de pico que tiene lugar meses después de octubre de 2008, varios meses después de que el se dio cuenta de la volatilidad de la espiga. Perversamente, como se dio cuenta de riesgo (línea gris) es la disminución de la predicción de riesgo (rojo/azul de la línea) es cada vez mayor! Esto es porque el se dio cuenta de la volatilidad entra en los datos de entrenamiento con algo de retraso. No hay una "instantánea" de ajuste a las condiciones actuales.

Lo que los creativos soluciones o enfoques de modelado puede ser utilizado para tratar con este problema endémico en los modelos de pronósticos? Existen métodos estadísticos para lidiar con esto?

Answer 1

Puedo ofrecer tres sugerencias:

(a) Desde cualquier modelo, sin embargo sofisticado, va a faltar a la cola de los casos (como el de Octubre de 2008) me gustaría aumentar el número de alta frecuencia de factores (por ejemplo, semanal de las solicitudes de desempleo - no sé si eso es un ejemplo relevante en su caso -, pero sólo para dar una idea) en el modelo. No sólo hace que el modelo es más sensible a los acontecimientos actuales, que también permite que el H-ventana a reducirse, mientras que todavía mantiene una baja varianza para el modelo de error (como el tamaño de la muestra dentro de una ventana de tiempo permanece intacto)

(b) Ponderación, tal vez? Dar más weightage a los últimos puntos y menor, de modo que los datos más antiguos. Algunos de HVaR modelos que he visto hacer a aplicar esto a la vez que la cola de eventos de un mayor weightage (manualmente), manteniendo así la capacidad de predicción de los eventos de cola (que nos preocupa más, de todos modos), mientras que el modelo menos "agobiados" por los más mayores datos redundantes (no todos los datos agrega "nuevo" de la información).

(c) Algún tipo de retroalimentación instantánea para calcular el modo "off" de su modelo. Cuanto más grande sea esta "diferencia" es métrica, más intensamente se puede aplicar la ponderación de reglas como se describe en (b). De nuevo, esto hace que el modelo es más sensible a la volatilidad de los eventos actuales.

Answer 2

Esperemos que estas ideas se abren algunas estrategias de solución.

A. enfoque de Calibración: En el caso de un modelo de volatilidad como el Axioma de la anterior, se podría realizar una instantánea de la volatilidad de ajuste. Procedimiento:

1. Usted construir su habitual T+H volatilidad del modelo.
2. Medir el se dio cuenta y la volatilidad de la volatilidad implícita del conjunto de entrenamiento.
3. Que la medida del rendimiento en tiempo T+H volatilidad modelo (específicamente, se dio cuenta de la volatilidad y de la volatilidad implícita) durante un periodo de tiempo.
4. Identificar un factor de escala que es una función de la inestabilidad observada en el día de hoy y la implícita y se dio cuenta de la volatilidad del conjunto de entrenamiento. Por ejemplo, imagine que el fuera-de-tiempo se dio cuenta de la volatilidad fue 2x la volatilidad de su conjunto de entrenamiento. A continuación, ingenua de un factor de escala de 2x se puede aplicar a su matriz de covarianza -- por supuesto, usted puede hacer una mejor estimación de la relación.

Debilidad: El procedimiento anterior se puede trabajar por la volatilidad de estimación donde se tiene una variable dependiente o de una matriz de covarianza que escala hacia arriba o hacia abajo. Pero no está claro cómo se podría aplicar esto a un corte transversal de la equidad de modelo de rentabilidad.

B. Régimen De Conmutación Modelo: Otro enfoque sería para la instalación de un régimen de conmutación modelo. Aquí está acondicionado rendimientos y la volatilidad de las expectativas de hoy en día. Se puede calcular la rentabilidad esperada y la volatilidad asociada con cada estado. Esta es una mejora en la que usted está haciendo uso de los actuales estados, pero que todavía tiene un sutil T+H problema ya que la variable dependiente es todavía quedado. También, el modelo tendrá dificultad en el manejo de los regímenes no en el conjunto de entrenamiento como estanflación, QE3, etc. y tiene la costumbre de los problemas con el régimen de los modelos de estimación de parámetros, nuevos regímenes, convergencia, etc.). Este enfoque tiene el mayor mérito en la asignación de activos de la política y la volatilidad de la estimación.

C. Previsión de la mitad-el horizonte. Esto es un poco como el de la paradoja de Zenón, aunque ... ¿por qué no previsión de la mitad de la mitad del horizonte? Otro inconveniente es que las diferentes estructuras de correlación se presentan en diferentes escalas de tiempo.

D. Un ángulo sería un modelo híbrido. Estimación de la época factor de devoluciones y luego tienen otro modelo que los pronósticos de la evolución de cada factor. Debilidad aquí es la complejidad-que pasa de un modelo para K+1 modelos (un modelo para cada factor). Usted es la estimación de demasiados parámetros con los mismos datos.

E. Ponderación + Re-escalado. Aquí puede tardar un promedio móvil de los exponencialmente ponderado factor de rendimientos de escala y a una anualmente horizonte y añadir a su conjunto de entrenamiento. El problema es que haría poco realista de datos. Por ejemplo, si usted tenía 4 semanas consecutivas de sub-par devuelve a usted le extrapolar una corrección financiera en el armagedón.

(B) no es ninguna panacea, pero parece que el enfoque más prometedor. A mi conocimiento BARRA, Axioma, et al no aplicar el régimen de conmutación de los modelos. ¿Qué otras técnicas podríamos estar faltando?