用超高频数据估计奥恩斯坦-乌伦贝克过程并应用于股票日内配对交易策略
摘要：高频观测股票价格能够利用更多信息来估计价格过程的参数。然而，高频数据会受到市场微观结构噪声的污染，如果不考虑这种噪声，参数估计会出现显著偏差。我们提出了一种基于最大似然的奥恩斯坦-乌伦贝克过程估计器，该估计器对噪声具有鲁棒性，并利用不规则间隔的数据。我们还表明，被独立的高斯白噪声污染并在离散等距时间观察的奥恩斯坦-乌伦贝克过程遵循ARMA(1,1)过程。为了说明所提出的噪声鲁棒方法的优势，我们引入了一种基于均值方差优化的新型日内配对交易策略。在对7家大型石油公司进行实证研究中，我们发现使用所提出的奥恩斯坦-乌伦贝克过程估计器能够提高配对交易策略的盈利能力。
作者：Vladim''ir Hol''y, Petra Tomanov''a
论文ID：1811.09312
分类：Statistical Finance
分类简称：q-fin.ST
提交时间：2022-07-29