全部版块 我的主页
论坛 经济学人 二区 外文文献专区
692 15
2022-04-29
英文标题:
《Fractality of profit landscapes and validation of time series models for
  stock prices》
---
作者:
Il Gu Yi, Gabjin Oh, and Beom Jun Kim
---
最新提交年份:
2013
---
英文摘要:
  We apply a simple trading strategy for various time series of real and artificial stock prices to understand the origin of fractality observed in the resulting profit landscapes. The strategy contains only two parameters $p$ and $q$, and the sell (buy) decision is made when the log return is larger (smaller) than $p$ ($-q$). We discretize the unit square $(p, q) \\in [0, 1] \\times [0, 1]$ into the $N \\times N$ square grid and the profit $\\Pi (p, q)$ is calculated at the center of each cell. We confirm the previous finding that local maxima in profit landscapes are scattered in a fractal-like fashion: The number M of local maxima follows the power-law form $M \\sim N^{a}$, but the scaling exponent $a$ is found to differ for different time series. From comparisons of real and artificial stock prices, we find that the fat-tailed return distribution is closely related to the exponent $a \\approx 1.6$ observed for real stock markets. We suggest that the fractality of profit landscape characterized by $a \\approx 1.6$ can be a useful measure to validate time series model for stock prices.
---
中文摘要:
我们对真实和人工股价的各种时间序列应用一种简单的交易策略,以了解由此产生的利润景观中观察到的分形的起源。该策略只包含两个参数$p$和$q$,当日志返回大于(小于)$p$($-q$)时,就会做出卖出(买入)决策。我们将[0,1]\\乘以[0,1]$中的单位平方$(p,q)离散化为$N \\乘以N$平方网格,并在每个单元的中心计算利润$\\Pi(p,q)$。我们证实了之前的发现,即利润景观中的局部极大值是以分形的方式分散的:局部极大值的数量M遵循幂律形式$M\\sim N^{a}$,但标度指数$a$在不同的时间序列中是不同的。通过对真实股票价格和人工股票价格的比较,我们发现厚尾收益率分布与真实股票市场观察到的指数$a\\约1.6$密切相关。我们认为,以$a \\约1.6美元为特征的利润格局的分形性可以作为一个有用的衡量标准,来验证股票价格的时间序列模型。
---
分类信息:

一级分类:Quantitative Finance        数量金融学
二级分类:Statistical Finance        统计金融
分类描述:Statistical, econometric and econophysics analyses with applications to financial markets and economic data
统计、计量经济学和经济物理学分析及其在金融市场和经济数据中的应用
--
一级分类:Quantitative Finance        数量金融学
二级分类:Trading and Market Microstructure        交易与市场微观结构
分类描述:Market microstructure, liquidity, exchange and auction design, automated trading, agent-based modeling and market-making
市场微观结构,流动性,交易和拍卖设计,自动化交易,基于代理的建模和做市
--

---
PDF下载:
-->
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

全部回复
2022-4-29 16:20:48
EPJ手稿编号(将由编辑插入)韩国水原440-746成均湾大学物理研究部和物理系,韩国朝鲜朝鲜大学工商管理部,光州501-759,KoreaReceived:数据/修订版:dateAbstract。我们对真实和艺术股票价格的各种时间序列应用一种简单的交易策略,以了解由此产生的利润景观中观察到的分形的起源。该策略只包含两个参数p和q,当原木收益大于(小于)p时,会做出卖出(买入)决策(-q) 。我们将单位squ离散化为(p,q)∈ [0,1]×[0,1]放入N×N正方形网格,并在每个单元的中心计算出∏(p,q)。我们证实了之前的发现,即景观中的局部极大值以分形的方式分散:局部极大值的数量M遵循幂律形式M~ Na,但发现不同时间序列的标度指数a有所不同。通过比较真实和人工股票价格,我们发现厚尾收益分布与指数a密切相关≈ 1.6观察真实股票市场。我们认为,专业景观的分形特征是≈ 1.6可以作为检验股票价格时间序列模型的有用指标。PACS。89.65.Gh经济物理学、金融市场——89.75-k复杂系统–05.45。介绍中的Df分形过去几十年来,越来越多的物理学家被吸引到经济和金融研究领域[1,2,3]。这些经济物理学家为这一边缘学科领域带来了新的见解,并开发了有用的分析工具:phecogjoh@chosun.ac.krbEmail: beomjun@skku.educomputational工具。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-4-29 16:20:51
研究人员反复发现了股票市场中的许多程式化事实:收益分布的重尾、收益的快速衰减自相关、波动性的聚集性和长期记忆,仅举几例。最近,有人提出了一种对股票市场的几何解释,其中Profit land2 I.G.Yi等人:Profit land2的分形和股票价格时间序列模型的验证股票的价格曲线是基于一种简单的交易策略[4]构建的。虽然所使用的交易策略过于简单,无法模仿真实市场交易者的行为,但这种简单性也有其自身的好处:它允许我们在低维中构建专业景观,从而使几何分析变得简单。更具体地说,我们使用两个参数策略来计算实际股票市场中单个股票的长期收益。我们在本文中的研究是参考文献[4]的延伸:我们首先表明,观察到的分形。[4] 通过检查两个不同国家(美国和韩国)的股票市场,是真实股票市场的通用属性。然后,我们通过将s ame方法应用于各种时间序列,包括真实时间序列和艺术时间序列,来探索观察到的分形的起源。研究表明,房地产市场中利润景观的分形结构与收益分布中厚尾的存在密切相关。本论文的结构如下:第。2.我们展示了我们使用的数据集,并简要描述了我们如何生成四个不同的艺术时间序列,以与实际股价变动进行比较。我们的双参数交易策略也得到了解释。第3节专门介绍我们的结果,后面是Sec。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-4-29 16:20:56
4.总结。2.方法2。1时间序列在本研究中,我们采用了一种简单的长短交易策略[4],并将其应用于历史每日真实股票价格时间序列,以及一个特定的时间序列。对于真正的历史股票价格,我们在韩国(SK)使用526支股票,为期10年(1999年1月4日至2010年10月19日),在美国使用95支股票,为期21年(1983年1月2日至2004年12月30日)。对于SK数据集,总交易日数为T=2918,而对于我们,总交易日数为T=5301。对于人工生成的时间序列数据,我们使用了四种广泛使用的不同模型:几何布朗运动(GBM)、分数布朗运动(FBM)、对称L’evyα-稳定过程(LP)和马尔科夫切换多重分形模型(MSM)。对于每个随机过程,我们为SK数据集的相同时间段T=2918生成100个不同的时间序列。在表1中,我们列出了本研究中使用的不同时间序列的特性。GBM[5,6]基于s-tochastic微分方程DST=St(udt+σdWt),(1)其中STI是股票价格,WT是标准布朗运动。对于漂移μ和波动率σinEq。(1) ,我们使用从SK数据集中获得的值。为了模拟真实股票价格中长期记忆的存在,引入了连续时间随机过程[7],其中。G.Yi等:专业景观的分形性和股票价格的时间序列模型的验证3GBM FBM LP MSM Real Marketslong term memory× ×  重尾分布  表1。真实市场的股价数据具有长期记忆性和重尾收益分布。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-4-29 16:21:00
几何布朗运动(GBM)、分数布朗运动(FBM)、对称性α-稳定过程(LP)和马尔可夫切换多重分形模型(MSM)产生的艺术金融时间序列具有不同的性质。虽然FBM与真实市场共享长期记忆特性,但LP和MSM与真实市场一样,在回报分布上表现出严重的尾部。有关详细信息,请参阅文本。两个随机过程B(H)和B(H)的sat时间t和满足性(B(H)t,B(H)s)=|t | 2H+| s | 2H- |T- s | 2H. (2) 这里是Hur st指数H∈ (0,1]起着重要作用:对于H=1/2,FBM与标准布朗运动相同,而对于H>1/2(H<1/2),其随机过程的增量正(负)相关。因此,H>1/2时存在长期正记忆。人们发现了各种金融时间序列中的长期记忆特性,如股票指数、汇率、期货和商品[8,9,10,11]。在这项工作中,我们使用dst=St(udt+σdB(H)t),(3)生成这个过程,其中sti是股票价格的随机变量,b(H)是分数布朗运动[与等式(1)比较]。我们在R-project中使用软件包dvfBm来获取FBM的样本路径,并为不同的赫斯特指数H值生成时间序列。我们还使用LP[3,12,13,14,15]生成s-tochastic时间序列,以模拟真实市场中的收益重尾分布(见表1)。我们首先通过LP生成股票价格St[14,16]viaSt=Sexp(Xt),然后生成股票价格St[14,16]viaSt=Sexp(Xt)。(4) LP包含可调参数α∈ (0,2]称为表征分布形状的稳定性指数。返回x的分布Pα(x)从asα收敛到高斯分布→ 当α<2时,它渐近地表现出幂律行为~ |x|-(1+α),(5)表示| x |→ ∞.
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-4-29 16:21:04
因此,我们可以通过改变α来调整分布尾部的厚度。我们使用LP为不同的α值生成时间序列。MSM的引入是为了模拟真实市场的行为,如重尾收益分布、波动性聚集等[17,18,19](见表1)。它已成为金融和计量经济学领域最受欢迎的模型之一。要基于MSM生成人工股价St,我们使用St=St-1exp(Rt),(6)4 I.G.Yi,等:专业景观的分形性和股票价格的时间序列模型的验证99 00 01 02 04 05 06 07 08 09 10 11时间(年)(a)真实股票-2-199 00 01 02 03 04 04 05 06 08 08 08 09 10 11时间(年)99 00 01 02 04 05 06 06 07 08 09 10 11时间(年)(b)GBM-2-199 00 01 02 03 04 05 07 08 09 10 11时间(年)99 00 01 03 03 03 04 04 04 04 06 06 07 08 08 08 08 08 08 08 09 10 11时间(年)(c)FBM,H=0.7-2-199 00 01 02 04 05 06 07 08 09 10 11次(年)99 00 01 02 03 04 05 06 08 09 10 11次(年)(d)LP,α=1.7-2-199 00 01 02 03 04 05 06 07 08 09 10 11次(年)99 00 01 02 04 05 07 08 08 08 09 10 11次(年)(e)MSM,m=1.4-2-199 00 01 02 03 04 04 05 07 08 09 10 11次(年)图1。(a)真实股票,(b)几何布朗运动(GBM),(c)赫斯特指数H=0.7的分数布朗运动(FBM),(d)α=1.7的对称L′evyα-稳定过程(LP),以及(e)m=1.4的马尔可夫转换g多重分形模型(MSM),价格运动(左列)及其相应的对数收益(右列)。有关行为的比较,请参见表1。其中RTI是日志返回wr,它被记录为Rt≡ σ(Mt)t.高斯随机变量为零均值和单位方差,波动率σ(Mt)由MSM中的时间序列Mt构成[17,18,19]。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

点击查看更多内容…
相关推荐
栏目导航
热门文章
推荐文章

说点什么

分享

扫码加好友,拉您进群
各岗位、行业、专业交流群