Contributions to statistical modelling of high-frequency financial data with applications to Frankfurt Stock Exchange

Beiträge zur Statistischen Modellierung von Hochfrequenz-Finanzdaten mit Anwendung auf die Frankfurter Börse

by Ta-Chao Kao
Doctoral thesis
Date of Examination:2011-09-28
Date of issue:2012-03-22
Advisor:Prof. Dr. Walter Zucchini
Referee:Prof. Dr. Walter Zucchini
Referee:Prof. Dr. Stefan Sperlich
Referee:Prof. Dr. Wolfgang Benner
Persistent Address: http://dx.doi.org/10.53846/goediss-3564

 

 

Files in this item

Name:kao.pdf
Size:5.80Mb
Format:PDF

The following license files are associated with this item:

Abstract

English

This dissertation is concerned with the forecasting performance of time series models for the price movements of high-frequency transaction data on the Frankfurt Stock Exchange. The availability of high quality data of this kind at an affordable cost makes it possible to investigate the intra-daily price movements and their relationship with the corresponding trading volumes.The first of the two main chapters is concerned with models to describe price durations, i.e. the time intervals between successive price changes of at least a predetermined amount. We investigate the forecasting performance of the sophisticated Markov-switching autoregressive conditional duration model proposed by Hujer et al. (2002). It is demonstrated that the model performed quite poorly if strictly out-of-sample assessments are made. The source of this problem is identified and an explanation is provided as to why the findings in the literature suggest a more positive view of the model.In the second main chapter a new approach is developed to forecast the short-term volatility of intraday price movements. The objective is to model the distribution of the return on a share at regular short time intervals. The model used to forecast the distribution of the returns (and hence their volatility) makes use of lagged volume as a covariate. This model has two components of which the first models the occurrence/non-occurrence of a price change; the second models the return achieved given that a price change has occurred. Two-state hidden Markov models (HMMs) are used for each of the components. In order to assess its forecast performance a baseline model (here an exponential smoother) is also used to forecast volatility (measured here as squared return). In the majority of the series investigated the two-component HMM does indeed outperform the baseline model. A simple explanation is provided for those cases in which the model performed poorly.(Bibliography:Hujer, R.; Vuletić, S. and Kokot, S. (2002), "The Markov Switching ACD Model," Finance & Accounting Working Paper Series, No.90, Johann Wolfgang Goethe-University, Frankfurt/Main.)

Other Languages

Die vorliegende Dissertation befasst sich mit der Prognosegüte von Zeitreihenmodellen für Preisbewegungen von Hochfrequenz-Finanzdaten an der Frankfurter Börse. Die Verfügbarkeit solcher Daten auf qualitativ hohem Niveau und zu vertretbaren Kosten ermöglicht es, intraday-day Preisbewegungen und den Zusammenhang zu den entsprechenden Handelsvolumina zu untersuchen.Das erste der beiden Hauptkapitel behandelt Modelle zur Beschreibung von Preisdauern, d.h. die Zeitintervalle zwischen aufeinanderfolgenden Preisänderungen von mindestens einem vorgegebenen Betrag. Hierbei wird die Prognosegüte der komplexen Markov-Switching Autoregressive Conditional Duration Modelle (Hujer et al., 2002) betrachtet. Dabei wird gezeigt, dass dieses Modell bei ausschließlicher out-of-sample Betrachtung keine allzu zufriedenstellenden Ergebnisse liefert. Im Rahmen der Arbeit wird die Ursache des Problems identifiziert und es wird erklärt, warum andere Autoren zu einer positiven Beurteilung des Modells kommen.Im zweiten Hauptkapitel wird ein neuer Ansatz zur Vorhersage von kurzfristigen Volatilitäten von intra-day Preisbewegungen entwickelt. Das Ziel ist, die Verteilung der Renditen von Anleihen in regelmäßigen kurzen Zeitintervallen zu modellieren. Das Modell zur Vorhersage der Verteilung der Renditen (und somit auch der Volatilitäten) berücksichtigt dabei das Handelsvolumen der Vorperioden als erklärende Variable. Von den zwei Modellkomponenten erfasst die Erste das Auftreten bzw. Nicht-Auftreten einer Preisänderung. Die zweite Komponente modelliert die erzielte Renditen für den Fall, dass eine Preisänderung vorliegt. Für beide Modellkomponenten werden Hidden Markov Modelle mit zwei Zuständen verwendet. Zur Beurteilung der Prognosegüte wird ein Referenzmodell (in diesem Fall Exponentielles Glätten) ebenfalls zur Vorhersage der Volatilitäten (erfasst als quadrierte Renditen) eingesetzt. Für die meisten untersuchten Zeitreihen liefert das zwei-Komponenten-Hidden Markov Modell bessere Ergebnisse als das Referenzmodell; für die Fälle, in denen die Ergebnisse nicht besser sind, wird eine einfache Erklärung geliefert.(Literaturverzeichnis:Hujer, R.; Vuletić, S. and Kokot, S. (2002), "The Markov Switching ACD Model," Finance & Accounting Working Paper Series, No.90, Johann Wolfgang Goethe-University, Frankfurt/Main.)
 
Statistik