全部版块 我的主页
论坛 经济学人 二区 外文文献专区
614 9
2022-05-06
英文标题:
《Intra-day variability of the stock market activity versus stationarity
  of the financial time series》
---
作者:
T. Gubiec and M. Wili\\\'nski
---
最新提交年份:
2014
---
英文摘要:
  We describe the impact of the intra-day activity pattern on the autocorrelation function estimator. We obtain an exact formula relating estimators of the autocorrelation functions of non-stationary process to its stationary counterpart. Hence, we proved that the day seasonality of inter-transaction times extends the memory of as well the process itself as its absolute value. That is, both processes relaxation to zero is longer.
---
中文摘要:
我们描述了日内活动模式对自相关函数估计器的影响。我们得到了非平稳过程的自相关函数的估计量与其平稳对应物之间的精确关系式。因此,我们证明了交易时间的日季节性扩展了过程本身的记忆,也扩展了其绝对值。也就是说,两个过程松弛到零的时间更长。
---
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:Physics        物理学
二级分类:Data Analysis, Statistics and Probability        数据分析、统计与概率
分类描述:Methods, software and hardware for physics data analysis: data processing and storage; measurement methodology; statistical and mathematical aspects such as parametrization and uncertainties.
物理数据分析的方法、软硬件:数据处理与存储;测量方法;统计和数学方面,如参数化和不确定性。
--
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
2022-5-6 18:53:02
股票市场活动的日内可变性与金融时间序列的平稳性。古比埃克*和M.Wili\'nski+华沙巴斯德拉大学物理学院实验物理研究所,波兰华沙PL-02093。我们描述了日内活动模式对utoc相关函数估计器的影响。我们得到了一个将非平稳过程的自相关函数的估计量与平稳过程的估计量联系起来的精确公式。因此,我们证明了事务间时间的日季节性不仅扩展了进程本身的绝对值,还扩展了进程本身的内存。也就是说,两个过程松弛到零的时间更长。PACS编号:89.65。Gh,89.20-a、 05.40-a、 02.50。是的。引言对数价格回报的时间序列通常用于广泛的财务分析。最近,这种数据的日内类型引起了人们的特别兴趣。虽然使用了许多不同类型的估计量和模型,但通常会直接或间接地假设基础过程是平稳的。不幸的是,金融时间序列并非如此,即使是对数回归也是如此。至少有几个众所周知的理由反对金融数据的平稳性。其中一个主题是波动性c-lu-stering,这是一种在不同的波动性度量中观察到的正自相关。Tsay[1]、Cont[2]和Guillaume等人[3]都描述了这种影响。与这项工作更密切相关的补充方面是不同类型的季节性,可以在不同的时间尺度上看到。以年为单位,我们有“圣诞老人拉力赛”,它与12月的股价上涨有关。
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

2022-5-6 18:53:05
我们也可以观察月和周的季节性,但一个主要的例子是所谓的“午餐效应”或日内模式,指的是日内交易,其特点是高波动性和短的交易时间,就在交易开始时,就在收盘前,一天中的波动性显著降低。股票市场活动的日内变化是世界各地在不同类型的市场上观察到的一个众所周知的实证事实。更多细节见Hasbruck[4]、Chanet al[5]、Gen,cay et al[6]、Admati和P fleiderer[7]。以前,研究主要集中在波动的可变性和季节性上。其中一部分测量了它们的影响,并从数据中去除了它们的影响[8]。这种方法根本不影响交易之间的时间间隔,而平均交易间时间的范围大于收益标准偏差的范围(详见图1)。解决这个问题的另一种常用方法是将数据限制为所谓的事件时间表示。然而*电子地址:tomasz。gubiec@fuw.edu.pl+电子地址:mateusz。wilinski@fuw.edu.pl0.00.51.01.5公里:2005年- 2010Time9:00 10:20 11:40 13:00 14:20 15:40平均日志返回标准偏差平均时间间隔0。0.5 1.0 1.5PKOBP:2005- 2010Time9:00 10:20 11:40 13:00 14:20 15:40平均日志返回标准偏差平均时间间隔图。1:在华沙证券交易所上市的两家公司,以20分钟为间隔计算的标准差和交易时间的日内季节性(均为日内平均值,然后除以其平均值,以使其具有可比性)。
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

2022-5-6 18:53:08
在这两种情况下,我们观察到平均时间间隔的值增加了一倍甚至三倍,而价格回报的平均标准偏差变化不超过几十个百分点。左边的结果是通过使用2005-2010年KGHM的所有交易获得的。第二个地块与同期的rns PKOBP有关。应该指出的是,从2005年到2010年,WSE开放了7个小时。使用这种方法,我们将无法得出任何关于时间依赖性的结论。这项工作的目的是发现在交易时间间隔内观察到的日内季节性如何影响时间序列的自相关性。我们提出了时间变换的系统分析方法,从分析过程中消除了这种季节性。下面,我们重点讨论交易间时间的季节性对自相关函数估计量的影响。尽管考虑到价格回报标准差的可变性是可能的,但在本文中,我们将重点讨论前者的影响。二、分析日内模式可以通过一天中后续时间段内执行的交易数量来可视化。等价地,这可以通过这些时间段内的事务之间的平均时间间隔来表示,如图1所示。这里的平均值是在所选时间段内的天数统计集合上取的。我们提出了两个不同的函数来描述交易之间的平均间隔随时间的变化。然后,我们利用这些函数对价格收益过程进行变换,以处理其季节性。因此,我们发现了转换前后过程的自相关函数之间的关系。A.日季节性的分析形式我们可以假设时钟时间和平均交易间隔之间的函数关系。
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

2022-5-6 18:53:12
我们引入两个不同的函数来描述这种关系:θ(1)(t)=a(t)- t) (t)- t) θ(2)(t)=a((t- p) +q)。(1) 第一个函数是由参数a、p和q驱动的四元函数。第二个函数是由参数a、p和q驱动的有理函数。让我们假设Y(t)(表示我们分析的自相关量)是一个具有上述季节性的过程。该流程代表例如退货及其ab SoluteValue。此外,我们假设存在一个基本过程X(τ),它是遍历的,因此是平稳的(没有季节性)。所谓“基础”是指X(τ)和Y(t)之间的直接关系,即:Y(t)=g(t)X(τ(t)),(2)其中τ=τ(t)对视在过程Y(t)中的季节性的存在负责。就我们而言∈ [0,T],其中T=0是交易日的开始,T=T是交易的结束。我们需要我们的转换τ(t)来保持一天的长度,并且只改变时间间隔,从而得到τ(t):[0,t]→ [0,T],其中τ(0)=0,τ(T)=T。此外,两个进程的事件(事务)数量相同。因此,交易之间的日平均时间间隔在时间空间t和τ中是相等的,即hti=hτi。函数τ(t)与依赖时间的平均交易间时间严格相关,即函数θ(t)。X(τ)的平均交易区间应该是常数,等于hτi。因此,当平均区间较小时,我们拉伸时间线t,当这些区间过长时,我们压缩时间线t。由于θ(t)是决定过程Y(t)平均交易区间的函数,我们可以写:dtθ(t)=dτhτi,(3)其中,如上所述,hτi=hti是Y(t)和X(τ)的平均交易区间。
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

2022-5-6 18:53:15
通过积分方程的两边,我们得到了t和τ:τ(t)=htiZtθ(s)ds之间的关系。(4) 在分析经验数据时,日长T和交易数量是已知的,我们可以轻松计算hti。将θ(1)和θ(2)代入式(4)中,我们得到(t)处的hti(1)=- t) 在(T)- t) t(t- t) thti(1)=aT- pT+p+q. (5) 在这两种情况下,上述约束允许我们将θs中的参数数量减少到两个。图2显示了同时适用于KGHM和PKOBP的θ(1)(t)和θ(2)(t)。唯一确定的参数是θ(1)的t,t和θ(2)的p,q,因为参数a是通过公式(5)和经验平均时间确定的。表一:用于勾选数据的参数http://bossa.pl/.Variability函数θ参数skghm:2005-2010 PKOBP:2005-2010-1640.65-2485.34t29999。47 30336.39RationalAlp 14715.08 14301.01q 1.54·101.56·10hti 24.465 27.292无交易1624438 14340810 15 25时间平均-交易时间[s]9:00 10:20 11:40 13:00 14:20 15:40 KGHM:2005- 2010有理函数θ(1)二次函数θ(2)10 15 20 25 30 35时间平均区间-交易时间[s]9:00 10:20 11:40 13:00 14:20 15:40PKOBP:2005- 2010年有理函数θ(1)二次函数θ(2)图2:日内模式图,例如,KGHM和PKOBP(黑圈)的强制函数θ(1)和θ(2)(分别为实线和虚线)。B.自相关函数的估计在分析经验数据的自相关时,通常使用移动平均法进行估计。根据随机过程Y(t),这种估计可以用积分形式描述如下:(t) =t- tZT-ThY(t+t) Y(t)i- hY(t+t) ihY(t)idt,(6)其中Cy是过程Y在固定滞后下的自相关函数的估计量t、 Bracketsh·i表示统计系综的平均值。
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