edoc-Server der Humboldt-Universität zu Berlin

Masterarbeit

Autor(en): Martin Schelisch
Titel: Jumps in high frequency data
Gutachter: Ostap Okhrin; Brenda López Cabrera
Erscheinungsdatum: 10.06.2011
Volltext: pdf (urn:nbn:de:kobv:11-100188722)
Schlagwörter (ger): Sprünge, Volatilität, hochfrequente Datensätze, market microstructure noise, Anlagen
Schlagwörter (eng): jumps, volatility, high frequency data, market microstructure noise, assets
Einrichtung: Humboldt-Universität zu Berlin, Wirtschaftswissenschaftliche Fakultät
Zitationshinweis: Schelisch, Martin: Jumps in high frequency data; Masterarbeit, Humboldt-Universität zu Berlin, Wirtschaftswissenschaftliche Fakultät , publiziert am 10.06.2011, urn:nbn:de:kobv:11-100188722
Metadatenexport: Um den gesamten Metadatensatz im Endnote- oder Bibtex-Format zu speichern, klicken Sie bitte auf den entsprechenden Link. Endnote   Bibtex  
print on demand: Wenn Sie auf dieses Icon klicken, können Sie ein Druckexemplar dieser Publikation bestellen.
Diese Seite taggen: Diese Icons führen auf so genannte Social-Bookmark-Systeme, auf denen Sie Lesezeichen anlegen, persönliche Tags vergeben und Lesezeichen anderer Nutzer ansehen können.
  • connotea
  • del.icio.us
  • Furl
  • RawSugar

Abstract (ger):
Man nimmt an, dass der Preis von Finanzanlagen einem stetigen Diffusionsprozess folgt. Durch die gestiegene Verfügbarkeit von hochfrequenten Datensätzen, welche Preisbewegungen im Sekundenbereich beinhalten, werden jedoch immer wieder Preissprünge entdeckt, die durch einen solchen stetigen Prozess jedoch nicht zu erklären sind. In dieser Arbeit werden zwei Algorithmen dargestellt, welche Tage mit Sprüngen, die Anzahl der Sprünge sowie deren Richtung identifizieren und eine Schätzung der Sprunghöhe erstellen. Der erste Algorithmus, ALGO1, basiert auf der von Barndorff-Nielsen and Shephard (2004) entwickelten Theorie unter Verwendung von hochfrequenten Datensätzen, wohingegen der zweite Algorithmus, ALGO2, erst kürzlich veröffentlichte Ergebnisse von Kloessner (2010) nutzt und bereits mit so genannten OHLC-Datensätzen auskommt. Beide Algorithmen wurden auf einen TAQ-Datensatz des NYSE angewandt, welcher den Preisverlauf von drei Aktien im Zeitraum Januar 2008 bis Juli 2009 abdeckt, und damit die Auswirkungen der Finanzkrise im Herbst 2008 verdeutlicht. Es wurde deutlich, dass ALGO2 im Gegensatz zu ALGO1 graduelle Sprünge entdecken kann, Sprünge hauptsächlich am Anfang eines Handelstages entstehen und ca. 30 − 45% der Variabilität des logarithmischen Aktienpreises ausmachen. Diese Ergebnisse wurde mittels einer Simulationsstudie verifiziert, welche auf dem bekannten Heston (1993) Model basiert. Diese zeigt deutlich, dass ALGO1 graduelle Sprünge nicht entdecken und die Teststatistik von ALGO2 das Konfidenzniveau nicht halten kann. Dennoch betonen die Resultate den starken Einfluss von Sprüngen auf die Preisentwicklung.
Abstract (eng):
Due to high frequency data researchers can observe jumps in the price process which raises the question if these price changes can really be the result of only a pure diffusion process. In this work two different algorithms for dentifying gradual and mathematical jumps are described. These algorithm can not only detect whether or not a jump has occurred on a specific day, but they can also determine the number of jumps on that day, the sign of the jump and produce an estimate of the jump size. The first algorithm, ALGO1, is based on the classic theory developed by Barndorff-Nielsen and Shephard (2004), using realised volatility and the bipower variation. The second algorithm, ALGO2, is based on the recent work of Kloessner (2010), who developed a new theory based on intradaily lows and highs. Both algorithms were applied to trades and quotes data (TAQ) from the New York Stock Exchange (NYSE) for the period January 2008 till July 2009, and therefore covering the financial crisis in autumn 2008. ALGO1 mainly reports days with one or two jumps, whereas ALGO2 finds significantly more jumps (frequently four to six) per day. Jumps occur mainly at the beginning of the trading day, uncovering the typical L-shape for US data. Both algorithms detect that about 30−45% of the logreturn variation is attributed to jumps on average. In order to verify these results a simulation study was realised. Using the model presented by Heston (1993), 4, 000 days were simulated with different amounts of mathematical and gradual jumps. A confusion matrix revealed that the test statistic of ALGO2 is unable to hold the suspected confidence level in this simulation setup. It was also shown that, using this setup, zQPLM is unable to detect gradual jumps whereas the test statistic used in ALGO2 is truly able to detect this kind of jump. Nevertheless, the results highlight the importance and the impact of jumps on daily estimates of volatility.
Zugriffsstatistik: Die Daten für die Zugriffsstatistik der einzelnen Dokumente wurden aus den durch AWStats aggregierten Webserver-Logs erstellt. Sie beziehen sich auf den monatlichen Zugriff auf den Volltext sowie auf die Startseite. Die Zugriffsstatistik wird nicht standardisiert erfasst und kann maschinelle Zugriffe enthalten.
 
Bei Formatversionen eines Dokuments, die aus mehreren Dateien bestehen (insbesondere HTML), wird jeweils der monatlich höchste Zugriffswert auf eine der Dateien (Kapitel) des Dokuments angezeigt.
 
Um die detaillierten Zugriffszahlen zu sehen, fahren Sie bitte mit dem Mauszeiger über die einzelnen Balken des Diagramms.
Startseite: 34 Zugriffe PDF: 37 Zugriffe Startseite: 23 Zugriffe PDF: 21 Zugriffe Startseite: 13 Zugriffe PDF: 21 Zugriffe Startseite: 13 Zugriffe PDF: 8 Zugriffe Startseite: 10 Zugriffe PDF: 10 Zugriffe Startseite: 10 Zugriffe PDF: 21 Zugriffe Startseite: 14 Zugriffe PDF: 23 Zugriffe Startseite: 12 Zugriffe PDF: 21 Zugriffe Startseite: 3 Zugriffe PDF: 8 Zugriffe Startseite: 5 Zugriffe PDF: 16 Zugriffe Startseite: 5 Zugriffe PDF: 6 Zugriffe PDF: 2 Zugriffe Startseite: 8 Zugriffe PDF: 9 Zugriffe Startseite: 5 Zugriffe PDF: 7 Zugriffe Startseite: 6 Zugriffe PDF: 3 Zugriffe Startseite: 5 Zugriffe PDF: 4 Zugriffe Startseite: 2 Zugriffe PDF: 17 Zugriffe Startseite: 9 Zugriffe PDF: 14 Zugriffe Startseite: 3 Zugriffe PDF: 11 Zugriffe PDF: 13 Zugriffe Startseite: 2 Zugriffe PDF: 17 Zugriffe Startseite: 4 Zugriffe PDF: 6 Zugriffe Startseite: 3 Zugriffe PDF: 19 Zugriffe Startseite: 1 Zugriffe PDF: 5 Zugriffe Startseite: 1 Zugriffe PDF: 5 Zugriffe Startseite: 6 Zugriffe PDF: 10 Zugriffe Startseite: 5 Zugriffe PDF: 11 Zugriffe Startseite: 2 Zugriffe PDF: 9 Zugriffe Startseite: 5 Zugriffe PDF: 17 Zugriffe PDF: 5 Zugriffe PDF: 6 Zugriffe Startseite: 1 Zugriffe PDF: 2 Zugriffe Startseite: 1 Zugriffe PDF: 10 Zugriffe Startseite: 1 Zugriffe PDF: 5 Zugriffe Startseite: 6 Zugriffe
Jul
11
Aug
11
Sep
11
Oct
11
Nov
11
Dec
11
Jan
12
Feb
12
Apr
12
May
12
Jun
12
Aug
12
Sep
12
Oct
12
Nov
12
Dec
12
Jan
13
Feb
13
Mar
13
Apr
13
May
13
Jun
13
Jul
13
Aug
13
Sep
13
Oct
13
Nov
13
Dec
13
Jan
14
Feb
14
Mar
14
Apr
14
May
14
Jun
14
Jul
14
Monat Jul
11
Aug
11
Sep
11
Oct
11
Nov
11
Dec
11
Jan
12
Feb
12
Apr
12
May
12
Jun
12
Aug
12
Sep
12
Oct
12
Nov
12
Dec
12
Jan
13
Feb
13
Mar
13
Apr
13
May
13
Jun
13
Jul
13
Aug
13
Sep
13
Oct
13
Nov
13
Dec
13
Jan
14
Feb
14
Mar
14
Apr
14
May
14
Jun
14
Jul
14
Startseite 34 23 13 13 10 10 14 12 3 5 5   8 5 6 5 2 9 3   2 4 3 1 1 6 5 2 5     1 1 1 6
PDF 37 21 21 8 10 21 23 21 8 16 6 2 9 7 3 4 17 14 11 13 17 6 19 5 5 10 11 9 17 5 6 2 10 5  

Gesamtzahl der Zugriffe seit Jul 2011:

  • Startseite – 218 (6.23 pro Monat)
  • PDF – 399 (11.4 pro Monat)
 
 
Generiert am 01.08.2014, 20:05:27