[논문 리뷰] The CTRW in finance: Direct and inverse problems

Jaume Masoliver, Miquel Montero외 2명|arXiv (Cornell University)|2003. 08. 01.

Complex Systems and Time Series Analysis인용 수 6

한 줄 요약

이 논문은 연속 시간 랜덤 워크(CTRW) 프레임워크를 확장하여 일일 및 일중 재무 가격 분포를 모델링하고, 직접 문제(고주기에서 저주기로)와 역문제(저주기에서 고주기로)를 모두 다룹니다. CTRW가 기다림 시간과 점프 크기를 두꺼운 尾 꼬리 분포로 모델링하여 금융 데이터의 정제된 사실(fat tails 및 변동성 클러스터링)을 효과적으로 포착할 수 있음을 보여줍니다.

ABSTRACT

We study financial distributions within the framework of the continuous time random walk (CTRW). An earlier approach is modified to account for the possibility of obtaining the distribution of daily or longer-time prices, in addition to the existing model for intraday prices. We thus treat both the direct problem (from high-frequency data to low-frequency statistics) and indirect problem (from low-frequency data to high-frequency statistics). Finally the formalism is applied to actual financial data.

연구 동기 및 목표

• CTRW 프레임워크를 일중 가격 역학뿐만 아니라 더 긴 시간 범위(예: 일일)의 가격 분포까지 모델링할 수 있도록 확장하기.
• 고주기 데이터에서 저주기 통계를 도출하기 위해 CTRW를 사용하여 직접 문제를 해결하기.
• 관측된 저주기 재무 데이터로부터 고주기 역학을 추론하기 위해 역문제를 해결하기.
• 특히 두꺼운 尾 꼬리와 변동성 클러스터링과 같은 핵심 정제된 사실을 포착하는 데 있어 CTRW 모델을 실증적 금융 데이터와 비교 검증하기.

제안 방법

• 가격 변화를 연속 시간에서의 랜덤 워크로 모델링하고, 거래 간 기다림 시간과 점프 크기 모두를 두꺼운 尾 꼬리 분포로 설정함으로써 CTRW 형식을 적응시킴.
• 가격 증분의 확률 밀도 함수의 시간 진화를 기술하기 위해 일반화된 마스터 방정식을 도입함.
• 특성 함수와 푸리에 변환을 사용하여 다양한 시간 범위에서 수익률의 분포를 해석적으로 유도함.
• 역문제 접근법을 적용하여 모델을 실증적 저주기 수익률 분포에 적합시키고, 그로부터 고주기 기다림 시간 및 점프 크기 분포를 역산함.
• 금융 시장의 실증 데이터를 활용하여 모델의 예측을 관측된 수익률 통계와 비교 검증함.

실험 결과

연구 질문

• RQ1 CTRW 프레임워크는 일중 및 일일 재무 수익률의 통계적 성질을 정확하게 기술할 수 있는가?
• RQ2 CTRW 모델은 저주기 수익률 데이터로부터 고주기 역학을 얼마나 잘 재구성할 수 있는가?
• RQ3 CTRW 모델은 금융 시계열에서 두꺼운 尾 꼬리와 변동성 클러스터링과 같은 핵심 정제된 사실을 어느 정도 잘 포착하는가?
• RQ4 시장 마이크로구조를 모델링할 때 두꺼운 尾 꼬리 기다림 시간과 점프 크기를 사용하는 데 어떤 함의가 있는가?

주요 결과

• CTRW 모델은 일일 수익률을 포함한 여러 시간 범위에서 금융 수익률 분포의 두꺼운 尾 꼬리 성질을 성공적으로 포착함.
• 역문제 해법을 통해 저주기 데이터로부터 고주기 가격 역학을 신뢰성 있게 재구성할 수 있었으며, 이는 모델의 일관성을 입증함.
• 모델은 시간 척도에 따라 관측된 수익률 변동성의 스케일링 행동을 재현하였고, 실증적 결과와 일치함.
• CTRW 프레임워크에서 두꺼운 尾 꼬리 기다림 시간과 점프 크기를 사용할 경우, 표준 브라운 운동 모델 대비 변동성의 지속성과 클러스터링을 더 잘 설명함.