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
von Ta-Chao Kao
Datum der mündl. Prüfung:2011-09-28
Erschienen:2012-03-22
Betreuer:Prof. Dr. Walter Zucchini
Gutachter:Prof. Dr. Walter Zucchini
Gutachter:Prof. Dr. Stefan Sperlich
Gutachter:Prof. Dr. Wolfgang Benner
Dateien
Name:kao.pdf
Size:5.80Mb
Format:PDF
Zusammenfassung
Englisch
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.)Weitere Sprachen
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.)