Modeling high frequency intraday discrete returns
Carregando...
Arquivos
Data
2020-04-24
Autores
Orientador(res)
Pereira, Pedro L. Valls
Métricas
Título da Revista
ISSN da Revista
Título de Volume
Resumo
Esta tese inclui três artigos sobre o tópico de modelagem de retornos intradiários discretos em alta-frequencia. Em todos os artigos nós conduzimos a tarefa de modelar a distribuição condicional discreta das mudanças de preço, propomos novos modelos de previsão e conduzimos exercícios de estimação e previsão em larga escala para comparar os novos modelos com os modelos existentes na literatura. No primeiro artigo nós estendemos o modelo de espaço de estados univariado, não-linear e não-gaussiano de Koopman, Lit and Lucas (2017) incluindo uma especificação para a média condicional. No segundo artigo nós propomos um novo modelo para a distribuição condicinal bivariada usando cópulas gaussianas dinâmicas e modelando o coeficiente de correlação com um modelo em espaço de estados não-linear e não-gaussiano. No último artigo nós propomos um novo modelo para a distribuição univariada condicional onde a volatilidate condicional é prevista por uma rede neural feedforward. Nós tambem incorporamos três novas variaveis para o modelos de previsão de volatilidade em alta frequência com preços discretos: o spread de compra e venda, o spread entre o preço maximo e preço mínimo e o volume transacionado. Em todos os três artigos os novos modelos mostraram melhor performance nos exercícios de previsão de densidade condicional quando comparados a modelos recentes da literatura.
Descrição
Palavras-chave
Volatility models High frequency data Discrete price changes Importance sampling Deep learning Neural networks Score driven models Skellam Non-Gaussian time series models Time-varying copulas Dynamic discrete data NAIS Modelos de volatilidade Dados em alta frequência Retornos discretos Aprendizagem de máquina Redes neurais Modelos de score Modelos de série de tempo não gaussianos