Modeling high frequency intraday discrete returns
| Ano de defesa: | 2020 |
|---|---|
| Autor(a) principal: | |
| Orientador(a): | |
| Banca de defesa: | |
| Tipo de documento: | Tese |
| Tipo de acesso: | Acesso aberto |
| Idioma: | eng |
| Instituição de defesa: |
Não Informado pela instituição
|
| Programa de Pós-Graduação: |
Não Informado pela instituição
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Não Informado pela instituição
|
| Palavras-chave em Português: | |
| Palavras-chave em Inglês: | |
| Link de acesso: | http://hdl.handle.net/10438/29115 |
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. |
| id |
FGV_4609b7640ce697900959441c4b29cac0 |
|---|---|
| oai_identifier_str |
oai:repositorio.fgv.br:10438/29115 |
| network_acronym_str |
FGV |
| network_name_str |
Repositório Institucional do FGV (FGV Repositório Digital) |
| repository_id_str |
|
| spelling |
Morier, Bruno do NascimentoEscolas::EESPFernandes, MarceloHotta, Luiz KoodiMedeiros, Marcelo C.Christian, ZimmerPereira, Pedro L. Valls2020-05-22T15:05:34Z2020-05-22T15:05:34Z2020-04-24http://hdl.handle.net/10438/29115Esta 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.This thesis encompasses three papers on the subject of modelling high-frequency intraday discrete price changes. In all papers we consider the task of modelling the discrete conditional distribution of price changes, propose new models and conduct large scale estimation and forecasting exercises in order to compare the models with existing models in the literature. In the first paper we extend the univariate non-linear non-Gaussian state space model of Koopman, Lit and Lucas (2017) by including a specification for the conditional mean. In the second paper we propose a new model for the bi-variate conditional distribution by using Gaussian copulas and by modelling the correlation coefficient dynamics by using a non-linear, non-Gaussian state space model. On the last paper we propose a new model for the univariate conditional distribution where the conditional volatility is predicted by a deep feedforward neural network. We also incorporate three new variables for predicting the discrete price high-frequency volatility: the bid-ask spread, high-low interval spread and the volume traded. In all the three papers the new models outperformed recent literature models considered at the conditional density forecasting exercises conducted.engVolatility modelsHigh frequency dataDiscrete price changesImportance samplingDeep learningNeural networksScore driven modelsSkellamNon-Gaussian time series modelsTime-varying copulasDynamic discrete dataNAISModelos de volatilidadeDados em alta frequênciaRetornos discretosAprendizagem de máquinaRedes neuraisModelos de scoreModelos de série de tempo não gaussianosEconomiaAnálise de séries temporaisVolatilidade (Finanças)Aprendizado do computadorRedes neurais (Computação)Ações (Finanças) - Preços - PrevisãoModeling high frequency intraday discrete returnsinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional do FGV (FGV Repositório Digital)instname:Fundação Getulio Vargas (FGV)instacron:FGVORIGINAL_Tese_PhD_FGV Bruno Morier Final.pdf_Tese_PhD_FGV Bruno Morier Final.pdfPDFapplication/pdf4554783https://repositorio.fgv.br/bitstreams/c8dca7e6-520a-47cc-ab0d-5b2fdb448310/download063a8f90302b98f079746973ec94540eMD51LICENSElicense.txtlicense.txttext/plain; charset=utf-84707https://repositorio.fgv.br/bitstreams/25aa01fe-1623-44d5-80db-d9b1b20bb08a/downloaddfb340242cced38a6cca06c627998fa1MD52TEXT_Tese_PhD_FGV Bruno Morier Final.pdf.txt_Tese_PhD_FGV Bruno Morier Final.pdf.txtExtracted texttext/plain106160https://repositorio.fgv.br/bitstreams/417cd8f8-7eba-4105-9acf-285404a23ff9/downloadbe8aec30c20f5a735a700a32b4f18b11MD55THUMBNAIL_Tese_PhD_FGV Bruno Morier Final.pdf.jpg_Tese_PhD_FGV Bruno Morier Final.pdf.jpgGenerated Thumbnailimage/jpeg2332https://repositorio.fgv.br/bitstreams/68a8e6af-c031-4bac-8368-9bf953d072bd/download6d75f32964bd15568be1be22813d23fcMD5610438/291152023-11-25 09:38:15.388open.accessoai:repositorio.fgv.br:10438/29115https://repositorio.fgv.brRepositório InstitucionalPRIhttp://bibliotecadigital.fgv.br/dspace-oai/requestopendoar:39742023-11-25T09:38:15Repositório Institucional do FGV (FGV Repositório Digital) - Fundação Getulio Vargas (FGV)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 |
| dc.title.eng.fl_str_mv |
Modeling high frequency intraday discrete returns |
| title |
Modeling high frequency intraday discrete returns |
| spellingShingle |
Modeling high frequency intraday discrete returns Morier, Bruno do Nascimento 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 Economia Análise de séries temporais Volatilidade (Finanças) Aprendizado do computador Redes neurais (Computação) Ações (Finanças) - Preços - Previsão |
| title_short |
Modeling high frequency intraday discrete returns |
| title_full |
Modeling high frequency intraday discrete returns |
| title_fullStr |
Modeling high frequency intraday discrete returns |
| title_full_unstemmed |
Modeling high frequency intraday discrete returns |
| title_sort |
Modeling high frequency intraday discrete returns |
| author |
Morier, Bruno do Nascimento |
| author_facet |
Morier, Bruno do Nascimento |
| author_role |
author |
| dc.contributor.unidadefgv.por.fl_str_mv |
Escolas::EESP |
| dc.contributor.member.none.fl_str_mv |
Fernandes, Marcelo Hotta, Luiz Koodi Medeiros, Marcelo C. Christian, Zimmer |
| dc.contributor.author.fl_str_mv |
Morier, Bruno do Nascimento |
| dc.contributor.advisor1.fl_str_mv |
Pereira, Pedro L. Valls |
| contributor_str_mv |
Pereira, Pedro L. Valls |
| dc.subject.eng.fl_str_mv |
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 |
| topic |
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 Economia Análise de séries temporais Volatilidade (Finanças) Aprendizado do computador Redes neurais (Computação) Ações (Finanças) - Preços - Previsão |
| dc.subject.por.fl_str_mv |
Modelos de volatilidade Dados em alta frequência Retornos discretos Aprendizagem de máquina Redes neurais Modelos de score Modelos de série de tempo não gaussianos |
| dc.subject.area.por.fl_str_mv |
Economia |
| dc.subject.bibliodata.por.fl_str_mv |
Análise de séries temporais Volatilidade (Finanças) Aprendizado do computador Redes neurais (Computação) Ações (Finanças) - Preços - Previsão |
| description |
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. |
| publishDate |
2020 |
| dc.date.accessioned.fl_str_mv |
2020-05-22T15:05:34Z |
| dc.date.available.fl_str_mv |
2020-05-22T15:05:34Z |
| dc.date.issued.fl_str_mv |
2020-04-24 |
| dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
| dc.type.driver.fl_str_mv |
info:eu-repo/semantics/doctoralThesis |
| format |
doctoralThesis |
| status_str |
publishedVersion |
| dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/10438/29115 |
| url |
http://hdl.handle.net/10438/29115 |
| dc.language.iso.fl_str_mv |
eng |
| language |
eng |
| dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
| eu_rights_str_mv |
openAccess |
| dc.source.none.fl_str_mv |
reponame:Repositório Institucional do FGV (FGV Repositório Digital) instname:Fundação Getulio Vargas (FGV) instacron:FGV |
| instname_str |
Fundação Getulio Vargas (FGV) |
| instacron_str |
FGV |
| institution |
FGV |
| reponame_str |
Repositório Institucional do FGV (FGV Repositório Digital) |
| collection |
Repositório Institucional do FGV (FGV Repositório Digital) |
| bitstream.url.fl_str_mv |
https://repositorio.fgv.br/bitstreams/c8dca7e6-520a-47cc-ab0d-5b2fdb448310/download https://repositorio.fgv.br/bitstreams/25aa01fe-1623-44d5-80db-d9b1b20bb08a/download https://repositorio.fgv.br/bitstreams/417cd8f8-7eba-4105-9acf-285404a23ff9/download https://repositorio.fgv.br/bitstreams/68a8e6af-c031-4bac-8368-9bf953d072bd/download |
| bitstream.checksum.fl_str_mv |
063a8f90302b98f079746973ec94540e dfb340242cced38a6cca06c627998fa1 be8aec30c20f5a735a700a32b4f18b11 6d75f32964bd15568be1be22813d23fc |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositório Institucional do FGV (FGV Repositório Digital) - Fundação Getulio Vargas (FGV) |
| repository.mail.fl_str_mv |
|
| _version_ |
1827842491531919360 |