全部版块 我的主页
论坛 经济学人 二区 外文文献专区
447 8
2022-05-24
英文标题:
《Universality of market superstatistics》
---
作者:
Mateusz Denys, Maciej Jagielski, Tomasz Gubiec, Ryszard Kutner, H.
  Eugene Stanley
---
最新提交年份:
2015
---
英文摘要:
  We use a continuous-time random walk (CTRW) to model market fluctuation data from times when traders experience excessive losses or excessive profits. We analytically derive \"superstatistics\" that accurately model empirical market activity data (supplied by Bogachev, Ludescher, Tsallis, and Bunde)that exhibit transition thresholds. We measure the interevent times between excessive losses and excessive profits, and use the mean interevent time as a control variable to derive a universal description of empirical data collapse. Our superstatistic value is a weighted sum of two components, (i) a powerlaw corrected by the lower incomplete gamma function, which asymptotically tends toward robustness but initially gives an exponential, and (ii) a powerlaw damped by the upper incomplete gamma function, which tends toward the power-law only during short interevent times. We find that the scaling shape exponents that drive both components subordinate themselves and a \"superscaling\" configuration emerges. We use superstatistics to describe the hierarchical activity when component (i) reproduces the negative feedback and component (ii) reproduces the stylized fact of volatility clustering. Our results indicate that there is a functional (but not literal) balance between excessive profits and excessive losses that can be described using the same body of superstatistics, but different calibration values and driving parameters.
---
中文摘要:
我们使用连续时间随机游走(CTRW)对交易员经历过度亏损或过度盈利时的市场波动数据进行建模。我们通过分析得出了“超统计学”,它精确地模拟了具有过渡阈值的经验市场活动数据(由Bogachev、Ludescher、Tsallis和Bunde提供)。我们测量了超额亏损和超额利润之间的事件间隔时间,并使用平均事件间隔时间作为控制变量,得出了经验数据崩溃的通用描述。我们的超统计值是两个分量的加权和,(i)由较低的不完全伽马函数修正的幂律,其渐近趋向于稳健性,但最初给出指数;(ii)由较高的不完全伽马函数阻尼的幂律,其仅在短的事件间隔时间内趋向于幂律。我们发现,驱动这两个组件从属于自己的缩放形状指数出现了“超缩放”配置。当成分(i)再现负反馈,成分(ii)再现波动率聚类的程式化事实时,我们使用超统计来描述层次活动。我们的结果表明,超额利润和超额亏损之间存在函数(而非字面)平衡,可以使用相同的超统计体来描述,但校准值和驱动参数不同。
---
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
--

---
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
2022-5-24 14:08:31
市场超统计的普遍性Steusz Denys,Maciej Jagielski*1、2、3、托马兹·古比埃克、里扎德·库特纳和H。尤金·斯坦利(EugeneStanleyFaculty of Physics,University of Warsaw,Pasteura Str.5,PL-02093 Warsaw,PolandCenter for Polymer Studies and Department of Physics,Boston University,Boston,MA 02215 USA管理、技术和经济系,ETH Zurich,Scheuchzerstrasse 7,CH-8092 Zurich,Switzerland)*通信地址;电子邮件:zagielski@gmail.com.We使用连续时间随机游走(CTRW)对交易员经历过度亏损或过度盈利时的市场波动数据进行建模。我们通过分析得出了“超统计学”,它精确地模拟了具有过渡阈值的经验市场活动数据(由Bogachev、Ludescher、Tsallis和Bunde提供)。我们测量了持续损失和超额收益之间的事件间隔时间,并将平均事件间隔时间用作控制变量,以得出经验数据崩溃的通用描述。我们的超统计值是两个分量的加权和,(i)由较低的不完全伽马函数修正的幂律,其渐近趋向于稳健性,但最初给出指数,以及(ii)由较高的不完全伽马函数阻尼的幂律,其仅在短的事件间隔时间内趋向于幂律。我们发现,驱动这两个组件从属于自己的缩放形状指数,出现了“超缩放”配置。当成分(i)再现负反馈,成分(ii)再现波动率聚类的程式化事实时,我们使用超统计学来描述层次活动。
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

2022-5-24 14:08:34
我们的结果表明,过度利润和过度损失之间存在函数(而非字面)平衡,可以使用相同的超统计体来描述,但校准值和驱动参数不同。1简介金融市场随着交易者估计风险水平并努力盈利而变化。市场回报产生过度盈利的时间与产生过度亏损的时间之间的间隔可以使用连续时间随机游走(CTRW)形式来描述(见参考文献(1-4)和其中的参考文献)。关于超额利润和亏损的经验市场数据(5-8)将超额利润定义为大于某些正固定阈值Q的利润,将超额亏损定义为低于某些负阈值的利润-Q、 损失与Q之间的平均事件间隔时间被用作聚合基本变量。事件间时间构成了对市场活动的普遍随机测量,时间尺度从一分钟到一个月不等(5,6)。平均事件间时间可以用作控制变量,产生经验数据崩溃的通用描述(7),即固定平均事件间时间的事件间时间分布是一个通用统计量,不受时间尺度、市场类型、资产或指数的影响。这种分布可以使用(i)CTRW valley模型(见参考文献(2,4)和其中的参考文献)来描述,该模型将时间间隔视为随机变量,以及(ii)随机相关基本过程的广义极值统计(10),这是q指数而非adhoc统计(5,6)。
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

2022-5-24 14:08:38
金融市场多重分形结构中的事件间时间(11、12)和订单交易动态中的单步记忆中的事件间时间(13)是分析双重行动市场活动的基础。2主要目标主要目标是对与单变量统计数据相关的经验数据进行建模,即(i)极端(过度)损失之间的平均事件间时间段RQ,定义为低于负阈值-Q、 作为Q(>0)值和(ii)分布ψQ的函数(损失之间的事件间时间Qt,之前使用ad hocq指数描述。由于没有与第(i)项相关的经验数据,在我们对超额利润的研究中,我们将重点关注第(ii)项,并使用参考文献中提供的经验数据。(5–8)。请注意,参考文献中使用的q指数。(5-8)无法产生第(i)项中的关键经验数据,因此在我们的方法中,我们使用了超统计。因为小亏损和小盈利对交易员来说并不重要,所以我们关注中高Q值。我们的目标是提供具有普遍性的市场超级统计。在不同版本的连续时间随机行走形式主义(4、9、11-13)的背景下,“事件间时间”一词出现在文献中,其名称为“暂停时间”、“等待时间”、“交易间时间”和“发生间时间”。基本随机过程中的损失或收益值是否在统计上独立无关紧要,因为在我们的推导中,它们之间没有任何可能的相关性。所有数据和图纸均使用Mathematica版本制作。
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

2022-5-24 14:08:41
为了简单起见,我们将损失视为正数。3基本成就在这里,我们找到了大于某个阈值Q(即τR)的过度(极端)损失之间的平均事件间时间周期RQ的分析闭合形式-1Q=P(-ε≤ -Q) =P(ε≥ Q) =Z∞QD(ε)dε,(1)其中τ是时间单位,d(ε)是由极端(或过度)损失的威布尔分布(14–16)给出的收益密度,d(ε)=η′εε′εη-1exp-ε′εη, ε,η>0。(2) 注意,我们认为随机变量ε是一些潜在随机过程的增量。通常,该随机变量的值可以是相依的(10)。这里我们考虑了η<1的情况(见表1),这意味着分布D(ε)为ε/ 1,递减幂律(17)。参考文献(18)使用威布尔分布来描述给定资产后续交易之间的事件间时间统计。我们使用CTRW valley模型的Weibull分布和条件指数分布来推导与过度损失或利润阈值相关的超统计或复杂统计。将(2)代入(1),我们得到rq=expQ′εη!,(3) 即,根据幂律,ln rq相对于相对变量Q/(R)ε增加。图1中的实心曲线表示(3)生成的预测,并拟合经验数据(各点用不同的标记表示)。这一基本一致性使我们能够构建相应的超统计学,并使我们能够研究连续的经验数据(见第4节和第5节)。由于统计误差较低,我们能够确定η和ε,并导出确定超统计形状的后续参数。例如,图。
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

2022-5-24 14:08:45
1表示形状参数指数的值η<1(参见表1),对于较大的损失或收益(即ε ε)使威布尔分布(2)服从指数截断幂律。相比之下,参考文献(5)中给出的结果是不完整的,因为它们不允许与基于q指数的理论预测进行类似的比较。在本文后面,我们将设置τ=1。对于威布尔分布,相对平均值hεi'ε=η(1/η)和相对方差σhεi=hεi-hεihεi=h2ηΓ(2/η)Γ(1/η)- 1依赖于η,也就是说,它们(对于固定指数η)是普适量。请注意,每条曲线都有一个略有不同的乘法校准参数,用于确定其垂直位移。●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■◆◆◆◆◆◆◆◆◆◆◆◆◆◆◆◆◆◆◆◆◆◆◆◆◆◆◆◆◆◆◆◆◆◆◆◆◆◆◆▲▲▲ ▲ ▲▲▲▲▲▲▲▲▲▲▲▲▲▲▲▲▲▲▲▲▲▲▲▲▲▲▲▲▲▲▲▲▲▲▲▲▲▲▲▲-3.0-2.5-2.0-1.5-1.0-0.50.00.51.01.52.02.53.0Log QLog RQFigure 1:平均事件间隔时间RQvs。四类典型报价的阈值Q。黑色圆圈、红色正方形、绿色菱形和蓝色三角形分别涉及美国/英镑汇率、标准普尔500指数、IBM股票和WTI(原油)经验数据(2000年1月至2010年6月),摘自参考文献(5)中的图2(从上到下绘制)实心、拟合良好的曲线显示了我们公式(3)的预测结果——其拟合参数ε和η的值如表所示。1(此处未提供不重要的乘法校准参数)。这项工作不考虑这些预测的细微波动偏差。(经EPL许可,使用经验数据。)表1:从公式(3)的预测值与经验数据的拟合中获得的指数η和数量ε的值(均绘制在图。
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…
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