股票指数盈亏不对称的时间尺度效应

2022-5-25 14:03:28

虽然休息期和爆发期之间的间歇也通过随机波动率模型成功地建模了[7]，而且此类模型也适用于处理一些更典型的因素，如：厚尾和杠杆效应[8-10]，但使用反向统计可以进一步了解各种单一股票和市场指数，以及美国的外汇数据甚至艺术市场[5、11-20]。逆统计方法揭示了一种有趣的损益不对称性【21】，这引发了关于其来源和指数中自相关的时间尺度的大量讨论，与此相关【14，22–26】。在这里，我们通过在股票指数上引入一种shu’ed window方法来解决时间序列问题。我们的结果提供了新的数据，这些数据可能有助于更好地理解收益-损失不对称，并表明了与杠杆效应的一些联系[26，27]。二、逆统计法历史最悠久的股票指数是道琼斯工业平均指数（DJIA），因此*zneda@phys.ubbcluj.rostatistical研究涉及这个时间序列。在我们的研究中，我们主要使用1928年10月1日至2011年2月1日的THDJIA指数每日收盘价。这相当于80多年的数据，20000多个交易日。然而，我们强调，道琼斯工业平均指数的结果相当普遍，因为它们也适用于标准普尔500指数和NASDAQ100指数（见补充材料）。股票和市场在一定时期内的表现传统上是通过r的分布来衡量的t（t）对数回报率[5]，它给出了特定时间段内产生的回报率T

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

何人来此

2022-5-25 14:03:31

对于个别股票和市场指数，定义为固定时间间隔内的对数价格变化，t： rt（t）=s（t+t）- s（t）=lnS（t+t） S（t），（1）其中S（t）=ln（S（t））表示对数指数（S（t）表示指数值或股票价格）。r（t）日对数回报的标准差称为（日）波动率。对于道琼斯工业平均指数，对数收益率的历史日波动率约为σ=0.011，即σ≈ 1%[28]。实证结果表明，对数收益率的分布可以近似为高斯分布（通常对于较大的t），尽管存在着重要的差异，如脂肪尾巴的存在[1、2、5、29]（最明显的是较短的t）。与高斯统计相比，尾部对应着更大的价格变化概率，这是主流理论金融中的一个假设[1、2、21]。在研究充分发展的湍流流体时，使用正向统计也发现了类似的结果。因此，在几部著作中，这两种看似完全不同的现象被平行讨论[1、2、6、11]。为了更深入地了解波动过程，Simensen等人在[5]中研究了反问题：在价格中生成给定尺寸的波动的典型等待时间是多少？为了回答这个问题，我们必须确定指数或股票的τρ时间间隔分布，以获得预定回报水平ρ。实际上，如果给定股票或指数的固定对数回报率目标ρ（由投资者提出），以及固定投资日期（当投资者购买一些资产时），则通过逆统计估计股票或指数的对数回报率首次达到所需水平ρ的时间跨度。

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

2022-5-25 14:03:34

这也称为通过ρ级的第一次通过时间[5，30]。在数学公式中，这等于：τρ（t）=inf{t>0 | rt（t）>ρ}，如果ρ>0，（2）或τρ（t）=inf{t>0 | rt（t）6ρ}，如果ρ<0。（3）等待时间τρ（t）是拟议ρlog回报值的瞬时投资期限[5]，表明如果在时间t进行投资，投资者必须等待的时间间隔，并且他/她希望在时间t+τρ达到ρlog回报值。在文献中，其时间平均值是投资期限。许多起始时间的首次通过时间的标准化直方图给出了瞬时投资期的p（τρ）概率分布。上述方法称为逆统计方法。当ρ|=5σ（即。≈ 5%回报）如图1左面板所示。分布函数的最大值决定了日志返回的最可能等待时间（τ*ρ）或者换句话说，就是该股票或指数的最佳投资期限。首次通过时间的分布也提供了有关基础资产价格随机性的信息【4、31、32】。对数价格的简单布朗运动近似值[5]将产生首次通过时间分布p（τρ）=ρ| q4πDτρexp[-ρ/4Dτρ]（4），D为广义扩散常数。由于起始时刻不同，我们确定最可能的起始信息时间：τ*ρ=6Dρ∝ ργ，（5），应以指数γ=2为标度。从这个简单的模型中，我们还可以得到尾部（τρ>> τ*ρ）分布比例尺asp（τρ）∝ τ-αρ，（6），α=3/2。DJIA[5]的结果证实了后一种标度，但对于γ，它产生的指数小于布朗运动的预期值。

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

2022-5-25 14:03:38

这是一个明显的迹象，表明每日波动率不是独立变量，或者在另一个公式中，指数的动态中存在某种类似时间的相关性。还请注意等式（4）中的分布相对于ρ的符号是对称的，这是数据未证实的结果（见下一节）。三、收益-损失不对称构建负收益水平（即ρ=-5%），发现[14，21]投资水平的分布形状与正水平的分布形状相似。然而，有一个重要的区别：对于负回报水平，概率分布的最大值向左移动，产生大约τρ≈ 最佳投资期限的13个交易日差异。在图1的左面板中，对于ρ=+5σa和ρ=-5σlog返回。我们发现，所有已建立的股票指数都存在逆统计的不对称性，因此股票市场呈现出一种普遍的特征，称为损益对称性[21]。与指数相反，股票价格的不对称程度较小[22-24]。股票市场逆统计的不对称性仍然是应用数学、经济物理学和经济学的一个中心问题[19、26、33、34]。有人提出了最小的模型来解释这一有趣的事实。恐惧因素模型【14，22】通过一个类似同步的概念解释了损失不对称：下跌市场中的股票相关性比上涨市场中的股票相关性更强【24】。最近，恐惧因素模型的思想得到了推广，它允许股票相关性的周期比一个交易日更长[19，33]。通过对道琼斯工业平均指数及其构成股票进行一系列统计调查，Balogh等人。

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…

2022-5-25 14:03:41

[24]已经证明，在股市下跌期间，指数与股票的相关性更强。这一实证结果证实了恐惧因素假说[14，22]和广义不对称同步市场模型[19]。收益-损失不对称的其他解释是通过一个简单的单因素模型[25]、受挫治理市场模型[26]或使用随机波动率模型[19]（如EGARCH[35]）。在迪迪埃·索内特教授的指导下，位于苏黎世的瑞士联邦理工学院（Swiss FederalInstitute of Technology）的一篇论文也对这个问题进行了研究。最近[3 4]讨论了s tock指数的变化与运行中的传送带上一维弹簧块模型pla CED的动力学之间有趣的类比。这个简单的机械系统在逆统计中显示出类似的增益-损失不对称性，并且也表现出杠杆效应。尽管这些研究表明，基于股票的集体动力学，损益不对称和杠杆效应可能有相同的起源，但仍需要证明，对于这两种效应，基础过程的相关时间尺度是相同的。四、洗牌时间窗法基于皮尔逊相关性的经典方法可以有效地证明指数中存在自相关性，这一结果符合有效市场假说[38]。然而，确认此类一阶相关性并不排除每日回报率和波动率不是独立随机变量这一事实。

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

2022-5-25 14:03:46

这种相关性可以被视为高阶或非皮尔逊型相关性。这里，通过分析股票指数的类时间变化，我们使用了一种统计方法，该方法适用于进一步证明指数中存在高阶/非皮尔逊型自相关，并确定其特征时间尺度。日波动率不是独立变量这一事实是非皮尔逊c型相关的原因。因此，随机波动率模型[37]可以解释它们的存在，但我们这里的目的不是对它们进行建模。更具体地说，我们的目标是寻找一些适用于指数时间序列的特殊变换，这将导致增益服务水平对称性消失。问题并不像看上去那么简单，因为我们正在研究一种转换，它不会改变所考虑指数的日收益率分布。迄今为止考虑的一些方法已经改变了每日收益的波动性。利用小波变换，有人提出，不对称性出现在时间尺度上的时间超过两个月（64-128天之间）[33]。该研究得出结论，通过从大于64天的给定时间序列波动中过滤，指数的逆统计再次变得对称。然而，需要指出的是，在【33】中采用的方法中，每日收益的价值发生了重大变化，因此收益的分布和波动性也发生了变化。因此，人们可能会严重质疑这种方法的重要性。我们已经检查过，使用众所周知的傅立叶变换代替小波变换，可以获得类似的结果。

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

2022-5-25 14:03:49

与小波变换类似，数据回溯的分布再次发生变化。最近引入了一种新的想法来研究相关性对这种不对称性的影响【19】。考虑到日收益率的时间序列并将其随机（将元素一一排列）后，温度-口头依赖结构，因此事件的相关性和联系（依赖于日波动率）可能会被破坏，但日收益率的值保持不变。因此，此方法仅更改原因0。0040.0080.0120.016τ[交易日]原始ρ=-5σρ=+5στ[交易日]T=1ρ=-5σρ=+5σ图1。（彩色在线）左：原道琼斯工业平均指数的投资期限分布。右图：指数的反向统计（对称）。相同颜色的叠加曲线对应不同的排列。逆统计所考虑的回报水平比回报的每日波动率大五倍：ρ=5σ≈ 5%。但保留所有其他统计信息不变。通过这种方式生成的时间序列可以构建一个人工指数，并且可以在不改变原始信息的情况下调查投资期限的分布。结果表明，该指数的逆统计再次变得不对称（在收益-损失不对称消失的意义上）[19]。图1给出了这种意义上的结果。由于shu’ed指数已经产生了具有明显最大值（ρ对称）的首次通过时间分布，因此可以得出结论，最优投资期限的存在仅取决于每日收益的分布，而非对称性是这些收益的相对位置（时间顺序）及其分布的综合结果。

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

2022-5-25 14:03:52

日常波动率不是独立增量的fa-c-t中的广义相关性因此对收益-损失不对称性负责。这个问题的根源可能是多方面的，我们不打算在这里研究这个问题。例如，这可以归因于构成指数的股票之间持续数天的相互关联。因此，恐惧因素模型[14，22]在回归后仍然显示出不对称性，但这种不对称性在广义不对称同步市场模型[19]中消失了，在该模型中，下跌的股票价格在多个时间段内保持同步。然而，窗函数法可以很容易地泛化，它似乎适合于检测指数中的高阶自相关，并测量其相关时间尺度s。为了实现这一点，我们将每日收益的时间序列分割为由T个交易日组成的等长时间间隔，称为时间窗。然后，我们在这些时间窗口中随机选择松露，而不修改其中任何一个窗口中的内容。By-0.2-0.100.10.2r1（t）原始收益率-0.2-0.100.10.20 5000 10000 15000 20000t[交易日]r1（t）r1（t）S洗牌收益率。2、（在线上色）顶部面板：每日返回的原始时间序列。底部面板：考虑T=500个交易日的时间窗口的随机排列每日收益的时间序列。我们举例说明了两个选定时间窗口的原始位置和新位置。考虑到这些时间窗口的排列而非每日回报的排列，我们没有对出现在时间窗口内的事件进行修改，但我们打破了这些事件之间的相关性，这些事件之间的间隔超过T个交易日。然而，我们应该在这里提到的是，具有比T小的特征时间尺度的部分自相关也被破坏了。

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

2022-5-25 14:03:55

更准确地说，影响了与特征时间长度Tc（Tc<T）的自动相关的Tc/T部分。所以，当T减小时，我们预计的不是asharp，而是自相关的平滑衰减。例如，如果我们将每日收益的原始时间序列分割为T=500交易日的间隔，我们将得到41个时间窗口。在图2的顶部面板中，我们标记了两个这样的时间窗口。随机重排所有窗口的顺序，我们从底部面板的图中获得时间序列rs（t），其中我们标记了两个选定时间窗口的新位置。从图1中我们了解到，对于T=1，盈亏对称性消失。考虑到现在T=25个交易日的时间窗口和相同的|ρ|=5σ返回水平，我们观察到盈亏不对称几乎与原始时间序列中一样明显（图3）。因此，可以得出结论，导致|ρ|=5σ回报水平不对称的自相关在短于T=25个交易日的时间尺度上表现出来。同样的结果也可以在SNP500和NASDAQ100指数的情况下找到（见补充材料）。为了更好地理解非皮尔逊型自相关的相关时间尺度，以及指数动力学与简单布朗动力学之间的差异，我们计算了多种回报水平（ρ）和时间窗长度（T）的数量。0.0040.0080.0120.016τ[交易日]原始ρ=-5σρ=+5στ[交易日]T=25ρ=-5σρ=+5σ图3。（彩色在线）左：指数中原始道琼斯工业平均指数的投资范围分布。右图：使用T=25个交易日的时间窗口对指数进行反向统计。相同颜色的叠加曲线对应不同的排列。

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

2022-5-25 14:03:59

逆统计考虑的回报水平比回报波动率大五倍：|ρ|=5σ≈ 5%。τρ（T）*ρ=-5σρ=+5σT=120 40 60 80 100吨[交易日]0.51.520 40 60 80 100吨[交易日]w（T）np=1np=10np=100np=1000图。4.（在线彩色）顶板：τ的位置*|ρ|（T）（绿色）和τ*-|ρ|（T）（红色）与完全shu | ed情况相比，ρ|=5σ对数回归水平的T时间窗shu |（T）（红色）最大值，τ*ρ（1）=14天（b缺失）。虚线黑色和灰色水平线对应于τ*|ρ|=24和τ*-|ρ|=分别为11天，显示用于指导试验。插图显示了w±（T，1）相异性参数。底部面板：不同NP置换对应的不对称水平w（T），使用τ*ρ(∞) = 13天。灰化垂直线表示T=25 shu-free窗口大小，另见图3。如图1所示，dailyreturns的r（t）时间序列的组织方式如下，τ*±|ρ|正/负回报水平的最大值位置相对于τ向右/向左移动*ρ（1）完全饱和指数的最大值（T=1）。因此，随着时间窗口的T大小逐渐减小，这些差异会逐渐消失（见图4的顶部面板）。最大值（τ）的位置*|ρ|（T），τ*-|ρ|（T））确定为最可能的首次通过时间，即τ*ρ（T），其中：p（τ*ρ（T））>p（τρ（T））， τρ（T）6=τ*ρ（T）。（7）请注意，T→ ∞ 极限给出了最佳投资期限，因此我们可以使用符号τ*ρ(∞) = τ*ρ。可以定义一个参数，用T时间窗和完全指数W±（T，1）表征指数的不相似程度=τ*±|ρ|（T，1）τ*±|ρ|(∞, 1），（8）在这里我们引入了符号τ*±|ρ|（T，1）=τ*±|ρ|（T）- τ*ρ（1），（9）来自图。

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

2022-5-25 14:04:02

4我们了解到，shu-free窗口方法影响两个最大值τ的位置*相对于τ的±|ρ|（T）*ρ（1）。我们还从插图中了解到，w+（t，1）和w-（T，1）具有类似的趋势：w-（T，1）≈ w+（T，1）。（10）类似地，也可以将衡量股指原始时间序列不对称程度的参数定义为正收益和负收益最佳投资水平的相对时间差：w（T）=τ*ρ（T）τ*ρ(∞), （11）使用τ*ρ（T）=τ*|ρ|（T）- τ*-|ρ|（T）。（12）从式（10）可以看出，上述三个参数是等效的：w（T）≈ W-（T，1）≈ w+（T，1）（13）在下文中，为了方便起见，我们将使用w（T）参数作为不对称性的度量。为了改进统计，对NPDifferent排列的结果进行平均。此外，对于每种不同的排列，通过从间隔{1，T}的原始时间序列中随机选择第一天，也会重新进行分区。通过这种方式，我们可以避免在长度为T的时间窗口中对每日收益进行相同的分区。因此，与大型股市崩盘相对应的对数回报率将出现在不同排列的时间窗口中的不同位置。通过增加npofpermutations的数量，曲线变得更加平滑。底部图4显示了显示此趋势的结果，即|ρ|=5σ再翻转水平。我们观察到，对于np=1000，波动相当低。在下文中，该值将用于所有统计。

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

nandehutu2022

2022-5-25 14:04:05

为了保持一致，我们总是执行相同数量的置换，以及τ*±|ρ|原始索引的值通过采用较大的窗口大小T来计算∞= 1000：τ*ρ（1000）→ τ*ρ(∞), 自τ起*±|ρ|（1000）→ τ*±|ρ|。通过确定τ的值，可以提高W（T）结果的准确性*p（τρ）分布的适当fit的±|ρ|（T）最大值。为了以这种方式进行，首先必须找到合适的拟合形式，然后再进行假定的非线性拟合。这种更复杂的方法超出了本研究的范围。在这里，我们的目的是对非皮尔逊型相关性的特征时间尺度进行粗略估计，这是导致增益-损失不对称的原因。五、特征时间尺度首先是逆统计中最大值的平均位置，τ*ρ、研究了不同的回归水平ρ。我们再次考虑了原始索引的情况和T=1时间窗的索引。结果如图5所示。结果表明了一些有趣的结论。对于原始指数，我们发现只有当收益率超过2σ时，才能观察到收益-损失不对称性，并且随着ρva值s的增加而增加。对于T=1，我们消除了指数中所有类型的自相关，正如人们自然预期的那样，所有收益率都会出现收益-损失不对称性。τ的指数ntγ+=1.8*|ρ|（ρ）标度[公式（5）]更接近于简单布朗动力学（γ=2）的预测，与原始指数相比，其中ρ>0时γ+=1.5 3，γ-= ρ<0时为1.33。这使我们能够得出结论，与原始布朗运动相比，T=1的指数给出的动力学更接近于简单的布朗运动，但在统计上仍然与这种简单模型的预测不同。

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

2022-5-25 14:04:08

我们认为，shu’ed指数的γ<2的值是经验收益率分布比高斯分布更厚的结果，这一行为也已在合成时间序列中得到证明（见附录）。从图5中的第三个面板中，我们可以得出结论，不对称的性质强烈依赖于ρ返回水平：对于较小的返回值ρ∈ [3σ，7σ]正值的不相似性更大，而τρ*（a）|ρ|-|ρ|γ+=1.53γ-=1.331 10τρ*±|ρ|[σ]（b）|ρ|-|ρ|γ+=1.75γ-=1.805 10 15 20 25 30τρ*±|ρ|[σ]（c）|ρ|-|ρ| T=12图。5.（在线彩色）τ的缩放*ρ正（绿色虚线曲线）和负（红色连续曲线）ρ回报水平的最佳投资期限，使用原始DJIAindex（第一面板）和shu’ed index（第二面板）onlog对数标度。黑色虚线和灰色连续线表示|ρ|>3σ回归水平的斜率。|ρ|>3σ极限用细垂直线表示。图例中给出了缩放指数。我们还提供了一个带有插图的比较图，该图使用轴上的线性刻度显示了小回归水平区域（第三个面板）：|ρ|∈ [σ，8σ]。回报水平越大，负回报的差异性越明显。接下来，我们研究了w（T）不对称参数与时间窗长度T的函数关系，对于那些在原始索引中可以明显观察到增益低于对称性的ρ值：（|ρ|∈ [3σ，7σ]）。我们没有考虑收益水平大于7σ，因为在这种情况下，统计数据变得很差。结果如图6所示。我们从图中了解到，随着传输时间窗口的长度T的减小，增益-损失不对称的数量也减少了。

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

nandehutu2022

2022-5-25 14:04:11

绘制在对数刻度上的结果显示了可检测的切割值Tc，其中index0中的自动相关性。11 10 100 1000T[交易日]w（T）|ρ|=3σ|ρ|=5σ|ρ|=7σ图6。（彩色在线）在σ波动率（np=1000）方面，不同ρ回报水平的T时间窗口中，shu-freing后仍存在不对称性。受到窗户装饰方法的强烈影响。这表明了相关自相关关系的特征时间尺度，其结果取决于收益率。对于更高的回报率，我们发现10- 间隔30天。这些限制由图6中的虚线表示。NASDAQ100 andS和P500指数也得到了类似的结果，尽管它们从组成部分股票价值计算的方式与DJIA有很大不同（参见附录中的图11）。所有这些结果表明，与文献[33]中报告的相比，导致损益不对称的非n-Pearson型自相关的特征时间显著减少。人们可以想出许多其他更复杂的方法来确定Tccharacteristic时间尺度。一种可能性是使用相关性通常以指数方式衰减的假设，然后尝试e型指数函数-| 1的T/θ- w（T）|。在这种近似下，θ将产生特征时间。如图7所示，这种指数衰减确实是T<30天极限的合理近似值。此外，拟合θ值（如图所示）与图6中的visua lestimates一致。计算机程序控制交易，称为程序交易，始于20世纪70年代，到20世纪80年代被广泛使用。计算机处理的资产交易量在21世纪初开始迅速增长。如今，这一交易量已超过总交易量的40%。

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

可人4

2022-5-25 14:04:15

一个合理的假设是，程序交易改变了股票市场的动态和统计特征，因为程序交易与人工交易相比，是基于预先定义的算法。为了研究程序交易对道琼斯工业平均指数反向统计的影响，我们将该指数分为两部分：1928年至1980年，主要是人类交易时期；1980年至2011年，程序交易持续存在。计算不对称参数作为T0的函数。010.120 40 60 80 100吨[交易日]；ρ|=3σ|ρ|=5σ|ρ|=7σθ3σ=5.86θ5σ=20.57θ7σ=32.27图。7.（在线彩色）DJIAindex的不对称性度量：| 1- w（T）|在对数正态标度上，根据σ波动率，不同ρ回报水平的曲线。非Pearson类型相关性随着e的减少而减少-T<30天（T∞= 1000）。对于|ρ|=5σ，可以得到图8中顶部面板上显示的结果。从图8的结果可以清楚地观察到，1928-1980年（约30-80天）与1980-2011年（约10-20天）相比，导致收益-损失不对称的相关时间段明显更大。对于间隔|ρ|内的其他返回水平值∈ [3σ，7σ]结果定性相似。根据| 1的指数函数确定的θ值- w（T）|函数产生类似的结果（图8的底部图）。对于程序交易期，我们得到θp≈ 7天，人工交易期θh≈ 30天。这些结果可能表明，在股票市场交易中引入程序交易对股票指数有着可检测的影响，减少了导致损益不对称的非皮尔逊型auto-c关系的相关时间尺度。这也是其他作者提出的一个发现（见参考文献[2 6，27]）。

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

2022-5-25 14:04:18

有趣的是，在人工和程序交易期间，回报的日常分布仍然相似（参见附录中的图12）。六、讨论和结论我们从之前的分析中了解到，对称性的增益损失是由指数中的非皮尔逊型自相关引起的。我们还发现，这些自相关的特征时间尺度取决于我们最终测量的内容，但在任何情况下，它们都比之前认为的要短。此外，还发现，随着程序交易的出现，特征时间尺度明显减小。事实证明，舒松格窗法适用于检测这些细微的自相关，通过使用简单的皮尔逊相关系数，这些相关性是不可见的。0.11 10 100 1000吨[交易日]w（T）计划交易人交易0。010.120 40 60 80 100吨[交易日]计划交易Human tradingθh=29.13θp=6.85图。8.（彩色在线）顶部：THDJIA指数的不对称参数，作为humantrading时段（1928-1980）和program trading时段（19802011）T时间窗口的函数。底部：分别从与人工交易和程序交易相对应的指数函数中测量的特征时间θhandθpm。对于这两幅图，收益率的波动率选择为每日波动率的五倍：|ρ|=5σ≈ 5%和T∞= 在这里，我们推测与其他具有类似时间尺度的StylezedFacts的联系。金融时间序列的一个众所周知的统计特性是杠杆效应，它表明股票（或指数）的波动性在价格下跌后会增加[1、26、27、40]。Bouchaud等人给出了这种影响的一种解释【1】：每日大幅下跌，增加了波动性，之后往往是反弹日。这可能意味着，由于价格的影响，一些价格下跌往往被夸大，并且每个价格水平都被低估。

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

2022-5-25 14:04:21

当资产价格调整到其内在价值时，收益会在接下来的几天内产生。值得一提的是，随机波动率模型也成功地解释了杠杆效应（参见示例【19、25、41】）。从数学上讲，杠杆效应的表述可以通过过去收益率和未来波动率之间的负相关来量化，因此可以通过以下相关函数来衡量：t（τ）=hrt（t+τ）·rt（t）ihrt（t）i.（14）表示DJ IA指数Lt（τ）≈ 对于τ<0，0<τ<25，归一化相关函数为负，在τ=1时最小，并呈现指数型松弛【36】。对于τ>25，相关性松弛为0。注意，L的衰减时间t（τ）量约为25天[36]，其在类似的时间尺度上，与上文给出的导致增益损失对称性的自相关。尽管损益不对称性与杠杆效应之间的关系已经被研究过，但据我们所知，目前还没有人指出这种相似性【1、23、26、36】。我们认为，这两种影响都是指数下跌引发的恐惧因素的结果，并且似乎在类似的时间尺度上有所缓解。然而，需要注意的是，目前认为无收益不对称原则上可能存在或不存在杠杆效应。例如，在参考文献[26]中考虑的模型中，这一点得到了明确的证明。在另一行中，我们应该从图4中注意到τ*ρ（T）反向统计中两个最大值之间的差异定义了一种自相关长度的度量。作为T→ 1我们得到τ*ρ（T）→ 0，表明相关自相关的时间尺度与损失不对称中ga的强度之间存在单调关系。

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

2022-5-25 14:04:24

此外，作为T→ 1最大值两者都在移动，τ*|ρ|向左移动和τ*-|ρ|向右移动（见图1和图4）。有趣的是，我们为τ*ρ（T）相同特征时标(τ*ρ∈【10，30】天），作为通过w indow-shu’ing方法获得的相关自相关时间。从这个角度来看，图中最大值的位置已经表明了我们正在研究的自相关的相关时间尺度。1和4。最后，我们研究的主要信息是，我们测量了每日波动率在功能上依赖的特征时间尺度（指数中非皮尔逊型自相关的时间尺度）。旨在真实反映指数动态的波动率模型应考虑这一特征时间尺度，并将其纳入其假设中。承认B.S.的工作得到了欧洲联盟和匈牙利州的支持，由欧洲社会基金会在T\'AMOP4框架内共同资助。2.4。A/2-11-1-2012-0001国家卓越计划。B、 S还感谢S对“人才学院”和“Sz’ekly先驱研究生奖学金”的支持。Z、 N.感谢罗马尼亚“Idei”Grant（编号：PCE-Idei-0348/2011）提供的财政支持。挪威研究委员会第216699.10号合同部分支持I.S.的研究-110010110210-210-1p（r1）| r1<0 | DJIASTT10-210-1r1>0β1=-3.02β2=-3.3010011020.0010.003p（r12）（r1<0）2DJIASTT0。001 0.003（r1>0）2σ1=0.011σ2=0.018图。9.（彩色在线）DJIA和STT指数正、负日收益率r（t）的归一化概率分布。顶部：对数-对数刻度，连续灰色和黑色虚线分别表示指数为β和β的两个幂律函数。两种分布显示出相似的厚尾。

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

nandehutu2022

2022-5-25 14:04:28

底部：Log xscale，分别与两个高斯分布函数N（0，σ）和N（0，σ）进行比较。附录一。为了对具有Fat-tailed分布且无自动相关的合成时间序列（每日收益）进行评级，我们使用了Python内置的Student\'s t distributedrandom数字生成器。使用ν=3形状参数，可以得到无发散的二阶矩（注意，方差不能小于1，得到的实际值为ν/（ν-2） =3）。通过生成与我们的道琼斯工业平均指数数据长度相同的时间序列，这将导致出现非常大的每日回报值，从而导致实际的发散指数。为了避免这种情况，我们对这些随机变量进行了标度，使分布保持标准化。通过使用Python包的“scale”参数，可以很容易地实现这一点。使用“标度=0.01”参数，生成的时间序列的标准偏差（用STT表示）与道琼斯工业平均指数收益率的波动性顺序相同，σST T=0.01 8。TTT时间序列的日收益率呈现非高斯厚尾分布，与DJIA指数[3]中观察到的类似（见图9）。对STT1 10τρ*±|ρ|[σ]|ρ进行逆统计分析|-|ρ|γ+=1.78γ-=1.80图。10.（在线彩色）τ的缩放*ρ正（绿色虚线曲线）和负（红色连续曲线）ρ回报水平的最佳投资期限，使用具有厚尾学生T分布（STT）的每日回报的艺术指数。请注意对数刻度。黑色虚线和灰色连续线表示适用于|ρ|>3σ回归水平的斜率，由细垂直线表示。图例中给出了标度指数。0.11 10 100吨[交易日]w（T）DJIAS和P500NASDAQ100FIG。11

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

2022-5-25 14:04:31

（在线彩色）作为DJIA、S&P500和NASDAQ100指数T时间窗函数的不对称参数。收益率波动率选择为各指数日波动率的五倍：|ρ|=5σ。曲线在相同间隔内开始饱和：T∈ 【10，30】个交易日，用虚线表示。指数，我们获得了τ的类似γ<2标度指数*ρ正和负ρ回报水平的最佳投资期限，如shuêed DJIA指数。从图5中，我们得出shu-free edDJIA指数为1.75<γ6 1.8，而在STT的ca se中，我们得到1.78<γ6 1.8（图10）。二、考虑到对S&P500和NASDAQ100指数的相同类型的分析，我们可以得出结论，导致损益不对称的潜在特征时间尺度并不取决于特定指数的构建方式。为了在图11中显示这一点，我们将所有三个指数的w（T）不对称参数一起绘制为T shu-file窗口大小的函数。三、将DJIA时间序列从10分为两个时段-110010110210-210-1p（r1）| r1<0 |人工编程10-210-1r1>0图。12.（彩色在线）人工和程序交易期道琼斯工业平均指数每日收益率的归一化概率分布r（t）。1928年至1980年是以人力交易为主的时期，1980年至2011年是持续存在项目交易的时期，我们发现日常回报的分布不受影响。图12给出了这种意义上的结果。[1] J.P.Bouchaud和M.Potters，《金融风险理论》（剑桥大学出版社，英国剑桥，2000年）。[2] R.N.Mantegna和H.E.Stanley，《经济物理学导论：金融中的相关性和复杂性》（剑桥大学出版社，英国剑桥，2000）。[3] A.Chakraborti、I.M.Toke、M.Patriarca和F。阿伯格尔，Quant。

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

2022-5-25 14:04:35

财务。，11991（2011年）。[4] M.H.Jensen，物理系。修订版。Lett。，83、76（1999年）。[5] I.Simonsen、M.H.Jensen和A.Johansen，欧洲。物理。J、 B，27，583（2002年）。[6] R.N.Mantegna和H.E.Stanley，《自然》，383578（1996）。[7] J.Fouque、G.Papanicolaou和R.Sircar，《具有随机波动性的金融市场中的衍生品》（剑桥大学出版社，英国剑桥，2000）。[8] J.Perell\'o、J.Masolivera和N.Anentoa，Physica A，344134（2004）。[9] J.Masoliver和Perell\'o，物理系。修订版。E、 75046110（2007年）。[10] Z.Eisler，J.Perell\'o和J.Masoliver，Phys。修订版。E、，76056105（2007年）。[11] M.H.Jensen、A.Johansen和I.Simonsen，内华达州。J、国防部。物理。B、 174003（2003）。[12] M.H.Jensen、A.Johansen、F.Petroni和I.Simonsen，《Physica A》，340678（2004）。[13] 周文轩、袁文坤，《物理A》，353433（2005）。[14] I.Simonsen、P.T.H.Ahlgren、M.H.Jensen、R.Donangelo和K.Sneppen，Eur。物理。J、 B、57、153（2007年）。[15] M.Zaluska Kotur、K.Karpio和A.Orlowska，《ActaPhys》。波尔。B、 373187（2006年）。[16] K.Karpio、M.Zaluska Kotur和A.Orlowska，《物理学》，375599（2007）。[17] C.Lee，J.Kim和I.Hwang，J.Korean Phys。Soc。，52517（2008）。[18] M.Grudziecki、E.Gnatowska、K.Karpio、A.Orlowska和M.Z aluska Kotur，物理学报。波尔。B、 114569（2008年）。[19] J.V.Siven和J.T.Lins，物理系。修订版。E、 80057102（2009）。[20] H.Ebadi、M.Bolgorian和G.Jafari，《Physica A》，3895439（2010）。[21]M.H.Jensen、A.Johansen和I.Simonsen，Physica A，324338（2003）。【22】R.Donangelo、M.H.Jensen、I.Simonsen和K.Sneppen，J.Stat.Mech：西奥。经验。，L11001（2006年）。【23】J.V.Siven和J.T.Lins，“个人股票价格时间序列中的损益不对称及其与杠杆效应的关系”，（2009年），http://arxiv.org/abs/0911.4679.【24】E.Balogh、I.Simonsen、B.Z.Nagy和Z.Neda，Phys。修订版。E、 82066113（2010年）。【25】J.Bouchaud，A。

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