[论文解读] The CTRW in finance: Direct and inverse problems

Jaume Masoliver, Miquel Montero+2 more|arXiv (Cornell University)|Aug 1, 2003

Complex Systems and Time Series Analysis被引用 6

一句话总结

本文将连续时间随机游走（CTRW）框架扩展至建模日内及日频金融价格分布，同时解决直接（高频至低频）与逆向（低频至高频）问题。结果表明，通过将等待时间与跳跃幅度建模为重尾分布，CTRW能有效捕捉金融数据中的典型特征，如肥尾与波动率聚集。

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.

研究动机与目标

• 将CTRW框架扩展至不仅建模日内价格动态，也建模更长周期（如日频）的价格分布。
• 解决从高频数据推导低频统计量的直接问题。
• 求解从观测到的低频金融数据反推高频频动态的逆向问题。
• 通过实证金融数据验证CTRW模型，尤其在捕捉肥尾与波动率聚集等关键典型特征方面。

提出的方法

• 通过将价格变动建模为连续时间内的随机游走，其中交易间隔的等待时间与跳跃幅度均服从重尾分布，对CTRW形式化方法进行改进。
• 引入广义主方程，描述价格增量概率密度函数的时间演化。
• 利用特征函数与傅里叶变换，解析推导不同时间跨度下的收益分布。
• 通过将模型拟合至经验低频收益分布，反向计算底层高频频等待时间与跳跃幅度分布，应用逆向问题方法。
• 利用金融市场的实证数据校准并验证模型预测，与观测到的收益统计量进行对比。

实验结果

研究问题

• RQ1 CTRW框架能否准确描述日内与日频金融收益的统计特性？
• RQ2 CTRW模型在多大程度上能从低频收益数据中重建高频频动态？
• RQ3 CTRW模型在多大程度上能捕捉金融时间序列中的典型特征，如肥尾与波动率聚集？
• RQ4 在市场微观结构建模中，使用重尾等待时间与跳跃幅度有何影响？

主要发现

• CTRW模型成功捕捉了多时间跨度下（包括日频收益）金融收益分布的肥尾特性。
• 逆向问题解法可可靠地从低频数据重建高频频价格动态，证明了模型的一致性。
• 该模型再现了收益波动率在不同时间尺度下的标度行为，与实证发现一致。
• 在CTRW框架中采用重尾等待时间与跳跃幅度，相较于标准布朗运动模型，能更好地解释波动率的持久性与聚集性。