[论文解读] Multivariate high-frequency financial data via semi-Markov processes
本文提出了一种双变量加权索引半马尔可夫过程，用于建模多变量高频金融收益，结合了状态依赖的转移动态和一种增强记忆的索引过程。该模型利用意大利股票市场（2007–2010年）的逐笔交易数据，成功再现了波动率聚集和跨资产收益相关性等关键经验事实。
In this paper we propose a bivariate generalization of a weighted indexed semi-Markov chains to study the high frequency price dynamics of traded stocks. We assume that financial returns are described by a weighted indexed semi-Markov chain model. We show, through Monte Carlo simulations, that the model is able to reproduce important stylized facts of financial time series like the persistence of volatility and at the same time it can reproduce the correlation between stocks. The model is applied to data from Italian stock market from 1 January 2007 until the end of December 2010.
研究动机与目标
- 将单变量索引半马尔可夫模型扩展至双变量框架，用于建模多变量高频金融收益。
- 在不引入外部隐变量过程的前提下，捕捉内生的波动率聚集与跨资产相关性。
- 通过累积过去收益信息的加权索引，建模时变的转移动态。
- 基于四年内意大利股票市场的实际高频逐笔数据对模型进行验证。
- 证明该模型能够再现金融时间序列的关键经验事实。
提出的方法
- 该模型采用三重过程：状态过程 $J_n$，转移时间过程 $T_n$，以及通过过去收益加权和定义的索引过程 $U_n^\lambda$。
- 索引过程 $U_n^\lambda = \sum_{k=0}^{n-1} \sum_{a=T_{n-1-k}}^{T_{n-k}-1} f(J_{n-1-k}, a, \lambda)$ 利用时间衰减权重函数 $f$ 累积过去收益信息。
- 转移概率通过加权索引半马尔可夫核 $Q_{ij}^\lambda(v;t)$ 定义，其依赖于当前状态 $i$，下一状态 $j$，停留时间 $t$ 以及索引值 $v$。
- 模型引入逆向重置时间 $B(t)$ 以描述任意时间点的过程状态，实现完整路径表征。
- 嵌入式马尔可夫链转移概率 $p_{ij}^\lambda(v)$ 和停留时间分布 $H_i^\lambda(v;t)$ 均由该核推导得出。
- 模型使用20只意大利股票（2007–2010年）的高频逐笔数据进行估计，收益计算间隔为一分钟。
实验结果
研究问题
- RQ1具有加权索引的双变量半马尔可夫模型能否再现高频金融收益中的波动率聚集？
- RQ2在多变量设定下，该模型在捕捉两支股票之间的跨资产相关性结构方面表现如何？
- RQ3引入增强记忆的索引过程是否能使波动率持久性实现内生化，而无需依赖潜变量因子？
- RQ4该模型能否再现真实金融数据中观测到的首达时和自相关性特征？
- RQ5与单变量模型相比，索引半马尔可夫模型的双变量扩展在捕捉多资产联合动态方面是否更具有效性？
主要发现
- 该模型通过内生动态机制成功再现了金融时间序列的关键经验事实——波动率聚集，且无需依赖外部隐变量。
- 双变量扩展能够捕捉股票之间的跨资产相关性，真实反映了高频数据中的依赖结构。
- 蒙特卡洛模拟结果表明，该模型能够生成与真实数据一致的收益与波动率自相关模式。
- 加权索引过程有效编码了长期记忆，使模型能够再现收益波动率随时间的持久性。
- 对意大利股票市场数据（2007–2010年）的实证应用证实，该模型具备再现多变量高频收益关键经验规律的能力。
- 该模型在允许任意停留时间分布方面的灵活性，使其对实证数据的拟合效果优于传统马尔可夫或半马尔可夫模型。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。