He leído que se dio cuenta de los núcleos son la cosa a utilizar para el cálculo de la volatilidad diaria de datos de alta frecuencia. Tengo los datos de un minuto, ¿cómo puedo utilizar un kernel? Se me dan minutos-ly volatilidad, tengo a normalizar de alguna manera? También, ¿qué datos me alimento de ti - los datos de un minuto desde el inicio de la jornada, un día la pena de datos, todos los datos históricos que tengo hasta este punto, o algo más?
Respuestas
¿Demasiados anuncios?
El uso de granos para la estimación de la volatilidad mediante intradía de datos es "nada más" que la combinación de:
- la volatilidad intradía estimación
- kernel smoothing
Por lo tanto usted tiene que tener cuidado acerca de la "costumbre pits" de estos dos enfoques.
La volatilidad intradía de estimación. Espero que sepan la "firma de la parcela" efecto. Por supuesto, si usted utilizar el método de estimación, se debe tener cuidado de si, pero en caso de que usted debe comprobar que no padecen.
Kernel smoothing. Usted tendrá que afinar la escala de tiempo de su núcleo. Por supuesto teórico papeles como el de Diseño se dio cuenta de los Núcleos a Medida ex post de la Variación de los Precios de las acciones en la Presencia de Ruido no realmente tiene que hacerlo ya que sus resultados son asintótica pero la vida real no lo es. Por otra parte, usted puede saber que desde que se tienen a la fecha $t$ información de fechas anteriores en su estimador $\hat\sigma_t$, si lo multiplicamos por una estadística de los últimos $X_{t-\delta t}$ obtendremos un "rastro" de la correlación entre $X$ y $\sigma$ (es decir, en algún lugar dentro de $\mathbb{E}(\hat\sigma_t \cdot X_{t-\delta t})$ tienes un plazo en $\mathbb{E}(K(\delta t) \cdot \sigma_{t-\delta t} \cdot X_{t-\delta t})$, donde $K$ es su núcleo). Puede agregar biais si utiliza el núcleo de la volatilidad de estimación para construir otros estimadores. Y no sólo para las multiplicaciones.
Joseph
Puntos
1
El uso de un di cuenta de kernel para el cálculo de la volatilidad va a dar resultados en la misma resolución que los datos que se alimentan. Así que si les das de comer minuto a minuto de los datos, entonces la volatilidad se calcula minuto-por-minuto. Lo que realmente significa es que sólo una vez por minuto va a tener una buena estimación de la volatilidad de lo activo que está mirando. El otro, el 99,99% del tiempo, el mercado podría introducir cambios que puede producir la estimación de la ventana.
Si usted no está interesado en alta frecuencia de la volatilidad de las estimaciones, es un asunto totalmente diferente. Estaríamos mejor tratando de pre-filtrar los datos antes de dársela a los di cuenta de kernel. El objetivo es reducir el ruido, por lo que el resto de la señal coincide con la frecuencia que desea utilizar. Así que si quieres tener un día-por-día de la estimación basada en el minuto a minuto de los datos, es probable que pueda obtener un resultado bastante bueno por ebullición por el minuto a minuto de datos de evento en una hora-por-hora de los eventos.
Yo no estoy familiarizado con este tipo de algoritmos que dan peso a temporal heurísticas tales como el día de la semana o del mes en año o año por año de los ciclos. A menos que usted sabe que usted está usando este algoritmo, entonces no hay ningún motivo para alimentar a más de un solo día de hoy si quieres una estimación para el día actual. Si algo, la adición de más datos sólo hace que la estimación para ser más torpe, dando sólo una semana a un mes exacto de las estimaciones.
Si no el peso de sus datos a todas las, luego de la alimentación en todos los datos históricos que podría dar una volatilidad estimada para la próxima década, pero será por una milla en el corto plazo.
