| 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.
|
|
| 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.
|
 |  | | | | | | | | | | | | | | | | | | | | Jun
11 | 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 | Feb
13 | Mar
13 | Apr
13 | May
13 |
| Monat | Jun
11 | 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 | Feb
13 | Mar
13 | Apr
13 | May
13 | | Startseite | 12 | 34 | 23 | 13 | 13 | 10 | 10 | 14 | 12 | 3 | 5 | 5 | | 8 | 5 | 6 | 5 | 9 | 3 | | 2 | | PDF | | 37 | 21 | 21 | 8 | 10 | 21 | 23 | 21 | 8 | 16 | 6 | 2 | 9 | 7 | 3 | 4 | 14 | 11 | 13 | 17 |
Gesamtzahl der Zugriffe seit Jun 2011: - Startseite – 192 (9.14 pro Monat)
- PDF – 272 (13.6 pro Monat)
|
