دانلود رایگان ترجمه مقاله شناسایی وقایع در سری زمانی مالی – الزویر ۲۰۱۷
دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی | |
عنوان فارسی مقاله: |
شناسایی رخدادها در سری های زمانی مالی: یک رویکرد جدید به bipower variation |
عنوان انگلیسی مقاله: |
Identifying events in financial time series – A new approach with bipower variation |
|
مشخصات مقاله انگلیسی (PDF) | |
سال انتشار | ۲۰۱۷ |
تعداد صفحات مقاله انگلیسی | ۷ صفحه با فرمت pdf |
رشته های مرتبط با این مقاله | علوم اقتصادی |
گرایش های مرتبط با این مقاله | اقتصاد سنجی |
چاپ شده در مجله (ژورنال) | اسناد تحقیقات مالی – Finance Research Letters |
کلمات کلیدی | تشخیص جهش، تشخیص رخداد، نوسانات تحقق یافته، bipower variation |
ارائه شده از دانشگاه | گروه مالیه، دانشگاه تکنولوژی و اقتصاد بوداپست، مجارستان |
رفرنس | دارد ✓ |
کد محصول | F1036 |
نشریه | الزویر – Elsevier |
مشخصات و وضعیت ترجمه فارسی این مقاله (Word) | |
وضعیت ترجمه | انجام شده و آماده دانلود |
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش | ۱۳ صفحه با فونت ۱۴ B Nazanin |
ترجمه عناوین تصاویر و جداول | ترجمه شده است ✓ |
ترجمه متون داخل تصاویر | ترجمه شده است ✓ |
ترجمه متون داخل جداول | ترجمه شده است ✓ |
درج تصاویر در فایل ترجمه | درج شده است ✓ |
درج جداول در فایل ترجمه | درج شده است ✓ |
درج فرمولها و محاسبات در فایل ترجمه | به صورت عکس درج شده است ✓ |
منابع داخل متن | به صورت فارسی درج شده است ✓ |
کیفیت ترجمه | کیفیت ترجمه این مقاله متوسط میباشد |
فهرست مطالب |
چکیده
۱- مقدمه
۲- چارچوب نظری و مسائل کاربردی
۳- آزمون BPV چند نمونهای
۴- عملکرد آزمون چند نمونهای: یک تحلیل مونته کارلو
۵- تحلیل تجربی
۵-۱ دادهها
۵-۲ روش معیار
۵-۳ نتایج
نتیجه گیری
|
بخشی از ترجمه |
چکیده
ما یک آزمون آماری را برای شناسایی رخدادهای معنی دار در سریهای زمانی قیمت مالی ارائه میکنیم. بر عکس ” جهشها”، ما “رخدادها” را به صورت تغییرات غیرآنی ولی سریع و بزرگ در قیمت تعریف میکنیم. ما نشان میدهیم که آزمونهای غیر پارامتریک، عملکرد نامطلوب و بدی در تشخیص رخدادهای تعریف شده دارند. ما یک رویکرد جدید را برای کشف وابستگی آمارههای تشخیص جهش برروی روش نمونه گیری مورد استفاده پیشنهاد کرده و به این نتیجه رسیدیم که روش ما موجب بهبود سرعت تشخیص رخداد آزمون استاندارد تا سه برابر میشود. ۱- مقدمه
تشخیص ناپیوستگیها یا جهشها در تکامل متغیرهای مالی مختلف (قیمتهای دارایی،، نرخ بهره و غیره) توجه زیادی را در منابع و مطالعات اقتصاد سنجی اخیر به خود جلب کرده است. دلیل اصلی علاقه به شناسایی واقعی جهشها، مربوط به چندین زمینه پژوهشی است. اولین زمینه تحقیقاتی تلاش میکند تا مدلهای نیمه مارتینگل استاندارد و پیوسته با فرایندهای جهش را برای درک بهتر نوسان توسعه داده و به طور بالقوه صحت قیمت گذاری اختیار معامله را بهبود بخشیده (آیت ساهیلا ۲۰۰۴) و پیش بینی نوسان را تحقق بخشد (زیاگو و همکاران ۲۰۱۶). دومین زمینه تحقیقاتی شامل استفاده از مطالعات رخداد به عنوان ابزاری برای تجزیه تحلیل طیف وسیعی از پدیدههای مالی نظیر محدودیتهای فروش کوتاه مدت (یه و چن ۲۰۱۴)، تجارتهای آگاهانه بر اساس رخدادهای اطلاعات خصوصی (ارموس وتیموتی ۲۰۱۶) و پویایی نقدینگی در طول روز (بادت و پتیجان ۲۰۱۴) میباشد (دی مور و سرکو ۲۰۱۵) نشان داده است که مشاهدات فرین می تواندموجب اریبی در محاسبه نرخ بازده متوسط شود و ایناریبی بر سهامهای کوچک در برآورد آلفای CAPM تأثیر میگذارد.
همه الگوریتمهای تشخیص جهش متعلق به یکی از دو مقوله میباشند: روشهای پارامتریک (زاودوسکی و همکاران ۲۰۰۴) که ازپارامترهای تعریف شده توسط کاربر برای تعریف آن چه که موسوم به “رخداد”است استفاده میکنند و روشهای غیر پارامتریک که در آن تعریف پارامتر ضروری نیست (برای مثال آزمون bipower variation که توسط بارندورف نیلسن و شفارد ۲۰۰۶ پیشنهاد شده است). روشهای پارامتریک برای مطالعات رخدادی بهینه نیستند زیرا مجموعهای از رخدادها شناسایی شده و از این روی، نتایج کل تحلیل به پارامترهای ورودی بسیار حساس بوده و توجیه پارامتری سازی سخت است.
در این مقاله، ما تعریف استاندارد از ” جهشها” را توسعه میدهیم تا “رخدادها” را در آن بگنجانیم. تعریف رخدادها به صورت” تغییرات زیاد و غیر طبیعی در قیمت است که معمولاً به سرعت ولی به صورت غیر آنی رخ میدهند. برای تشریح این نکته، در شکل ۱ ما نمودار قیمت (نمونه برداری شده در هر دقیقه) از شرکت وال مارت استورز (WMT) در سه روز کسب و کار از ۲۱ تا ۲۳ اکتبر ۲۰۰۶ را ترسیم کردهایم.
شناسایی جهشهای قیمت میتواند اهداف بسیاری را دنبال کند، با این حال صرف نظر از هدف، رخداد مشاهده شده در شکل ۱ بایستی دقیقاً تشخیص داده شود. با این حال، این جهش غیر آنی است. این مشاهده منجربه تعریف بسیار ضعیفی از اصطلاح رخداد بر خلاف تعریف ریاضی و دقیق ” جهش”میشود. ما رخداد را به صورت یک بازه زمانی چند دقیقهای (حتی بیش از یک ساعت) تلقی میکنیم که در آن تغییرات قیمت ” به طور غیر طبیعی” بالاست. ما بر این باوریم که این بازه برای مطالعات ” رخداد” بسیار مهم است زیرا در دنیای واقعی، هر تغییر قیمت بسیار سریع، دارای یک مدت زمان خاص میباشد. هدف اصلی این مقاله اصلاح آزمونهای غیر پارامتری طراحی شده برای شناسایی جهشها میباشد به طوری که بتوان عملکرد آنها را در شناسایی رخدادهای غیرآنی به طور معنی داری بهبود بخشید.
چالش اصلیای که ما بایستی بر آن غلبه کنیم اثبات این است که آزمون پیشنهادی ما در واقع برتر از آزمونهای مورد استفاده قبلی در منابع و مطالعات میباشد. یک روش مشهود برای انجام این کار، تحلیل مونته کارلو میباشد که در آن زمان و اندازه تغییر قیمت مصنوعی مشخص بوده و ما میتوانیم تست کنیم که آیا این جهش با الگوریتم قابل تشخیص است یا خیر (به هوانگ و تاچن ۲۰۰۵ و منابع مربوطه مراجعه کنید). در یکی از بخشهای زیر، ما نشان میدهیم که آزمون مانسبت به آزمون کلاسیک BPV از حیث اندازه و قدرت، برتر است.
اگرچه تجزیه تحلیل مونته کارلو در منابع و مطالعات به فراوانی استفاده میشود، مطالعات تجربی واقعی در بهترین حالت محدود بوده و یا در بدترین حالت، اصلاوجود ندارند. مسئله مربوط بهداده های واقعی این است که ما نمیدانیم آیا یک رخ داددر یک روز خاصی رخ داده است یا خیر، و از این روی برای ارزیابی قدرت و توان یک الگوریتم تشخیص رخداد، ما بایستی یک روش معیار را برای مقایسه با آن بیابیم. با این حال در صورتی که ما بپذیریم که روش معیار صحیح است، آزمون الگوریتم بی معنی خواهد بود: ما میتوانیم تنها از روش معیار برای شناسایی رخدادها استفاده کنیم.
ما در تحلیل تجربی خود تصمیم گرفتیم تا از یک مجموعه داده گسترده با تقریباً یک میلیون روز تجاری ونیز از روش پارامتریک با پارامترهای فرین برای تعریف یک مجموعه رخداد معیار استفاده کنیم. ما بر این باور نمیباشیم که روش معیار ایده آل و قابل قبول است: پارامترها طوری انتخاب میشوند که بیشتر آن چه که ما به صورت رخداد در نظر میگیریم، توسط الگوریتم در نظر گرفته نمیشود. با این حال رخدادهای شناسایی شده تقریباً معنی دار است به طوری که هر الگوریتم تشخیص رخداد قادر به شناسایی آنهاست (همانندمورد نشان داده شده در شکل ۱). ما نشان میدهیم که آزمون تشخیص جهش ما عملکرد قابل قبول و برتری از آزمون اولیه دارد.
|
بخشی از مقاله انگلیسی |
Abstract We present a statistical test to identify significant events in financial price time series. In contrast to “jumps,” we define “events” as non-instantaneous, but nevertheless unusually fast and large, price changes. We show that non-parametric tests perform badly in detecting events so defined. We propose a new approach to explore the dependence of jump detection statistics on the sampling method used and find that our method improves the event detection rate of the standard test by a factor of three. ۱٫ Introduction The detection of discontinuities or jumps in the evolution of various financial variables (asset prices, interest rates, etc.) has attracted substantial interest in recent econometric literature. The reason behind the interest in ex-post identification of jumps is driven by multiple research fields. The first tries to extend the standard, purely continuous semi-martingale models with jump processes to better understand volatility and potentially improve the accuracy of option pricing (AïtSahalia, 2004) and realized volatility forecasting (Xingguo et al., 2016). The second area of research is using event studies as a tool for analyzing a broad range of financial phenomena like short-sale constraints (Yeh and Chen, 2014), informed trades around possible private information events (Ormos and Timotity, 2016) and intraday liquidity dynamics (Boudt and Petitjean, 2014). (De Moor and Sercu, 2015) show that extreme observations can bias the average return calculation and this bias affects small stocks more in CAPM alpha estimation. All jump detection algorithms belong to one of two categories: parametric methods (e.g. Zawadowski et al. (2004)), which use user-defined parameters to define what qualifies as an “event” and non-parametric methods, where parameter definition is not necessary (e.g. the bipower variation (BPV) test proposed in Barndorff-Nielsen and Shephard (2006)). Parametric methods are not optimal for event studies, since the set of events identified and thus the results of the whole analysis are frequently very sensitive to the input parameters and it is hard to justify any particular parametrization. In our paper, we extend the standard definition of “jumps” to include “events”: unusually large price changes that occur unusually quickly, but not in an instant. To illustrate this point, in Fig. 1, we plot the price (sampled every minute) of Wal-Mart Stores Inc. (WMT) on the three business days from the 21st to 23rd of October 2006. Identifying price jumps can have many objectives, but whatever the purpose, the event seen in Fig. 1 should definitely be detected. This jump, however, is clearly not instantaneous. This observation leads to a very loose definition of the term event in contrast to the precise mathematical definition of jumps. We call an event any window of several minutes (even up to an hour) where the change in price is “unusually high”. We believe that this extension is crucial for event studies, since in the real world, even very fast price changes have some time duration. The main contribution of this paper is to modify non-parametric tests designed to identify jumps in a way which significantly improves their performance in identifying non-instantaneous events. The main challenge we had to overcome was to prove that our proposed test is indeed superior to the ones already used in the literature. An obvious methodology to do this is a Monte Carlo analysis, where the time and size of the artificial price change are known and we can test if this jump is found by the algorithm or not (see Huang and Tauchen (2005) and the references therein). In one of the sections below, we show that our test outperforms the classic BPV test in terms of both size and power. While Monte Carlo analysis is abundant in the literature, true empirical studies are limited at best and non-existent at worst. The problem with real data is that we do not know if an event occurred on a particular day, so to assess the power of an event detection algorithm, we have to find a benchmark method to compare to. However, if we accept that the benchmark method is correct, there is no point to test any algorithm against it: we could just use the benchmark method to identify events. In our empirical analysis, we decided to start with an extensive dataset of almost a million trading days and use a parametric method with extreme parameters to define our benchmark event set. We do not believe that this benchmark method is ideal – or even acceptable: the parameters are chosen in a way that most of what we would like to call an event is probably not picked up by the algorithm. The events identified, however, are almost surely significant enough that any event detection algorithm should identify them (just like the one in Fig. 1). We show that our jump detection test significantly outperforms the original in this setup. |