重尾分布下的赫斯特指数估计
摘要：重尾部分的存在如何改变霍斯特指数估计方法的采样性质：通过Monte Carlo模拟，我们研究了重尾存在时重缩放范围分析（R/S）、多重分形去趋势波动分析（MF-DFA）、去趋势移动平均线（DMA）和广义霍斯特指数方法（GHE）对于不同重尾独立序列估计霍斯特指数的性能。为此，我们使用稳定分布生成不同稳定指数（从1.1到2）的独立随机序列，并使用不同的方法进行霍斯特指数估计。R/S和GHE方法在底层过程中存在重尾时显示出较高的鲁棒性。与其他方法相比，无论数据是否存在重尾和样本大小，GHE方法提供了最低的方差和偏差。利用这一结果，我们应用了一种新颖的时间依赖霍斯特指数方法，并分别对每个交易日的高频数据进行霍斯特指数估计。对于从1983年开始到2009年11月结束的S&P500指数，我们获得了霍斯特指数，并讨论了揭示长时间段内市场行为如何变化的令人惊讶的结果。
作者：Jozef Barunik, Ladislav Kristoufek
论文ID：1201.4786
分类：Statistical Finance
分类简称：q-fin.ST
提交时间：2012-01-24