کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
10481899 933244 2013 7 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Empirical scaling laws and the aggregation of non-stationary data
ترجمه فارسی عنوان
قوانین پوسته شدن تجربی و جمع آوری داده های غیر ثابت
کلمات کلیدی
مدل های تصادفی راه رفتن، خودپسندیده، نوسان پذیری تصادفی، زمان بازار،
ترجمه چکیده
شواهد به طور گسترده ای برای مقیاس بندی (خودبخشی) بازده سهام و دیگر اوراق بهادار ذکر شده با تقریبا تمام مدل های مورد استفاده در حال حاضر برای حرکات قیمت متناقض است. به طور خاص، مدل های مدرن و مدرن برای نوسانات فراوانی، نامنظم و اغلب نوسانات فرکانس بالا در فرکانس های بالا ارائه می دهند (هر دو در روز و در طول روزها، هفته ها و سال هایی که داده ها تجمع در تظاهرات خودپسندیده بازده. نوسانات اتفاقی این مدل ها را ارائه می دهد که بر مبنای انواع و تعمیم های حرکات تصادفی، ناسازگار با خودپسندیده است. ما در اینجا نشان می دهیم که شواهد تجربی برای خودکفایی واقعا با کمبود تحلیلی خودپسندی در این مدل ها مخالف نیستند. حل اختلاف بین مدل ها و داده ها می تواند به نتیجه آماری جمع آوری مقادیر زیاد داده های غیر ثابت تبدیل شود.
موضوعات مرتبط
مهندسی و علوم پایه ریاضیات فیزیک ریاضی
پیش نمایش مقاله
قوانین پوسته شدن تجربی و جمع آوری داده های غیر ثابت
چکیده انگلیسی
Widely cited evidence for scaling (self-similarity) of the returns of stocks and other securities is inconsistent with virtually all currently-used models for price movements. In particular, state-of-the-art models provide for ubiquitous, irregular, and oftentimes high-frequency fluctuations in volatility (“stochastic volatility”), both intraday and across the days, weeks, and years over which data is aggregated in demonstrations of self-similarity of returns. Stochastic volatility renders these models, which are based on variants and generalizations of random walks, incompatible with self-similarity. We show here that empirical evidence for self-similarity does not actually contradict the analytic lack of self-similarity in these models. The resolution of the mismatch between models and data can be traced to a statistical consequence of aggregating large amounts of non-stationary data.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Physica A: Statistical Mechanics and its Applications - Volume 392, Issue 20, 15 October 2013, Pages 5046-5052
نویسندگان
, ,