面向动态交易策略的波动率状态结构化聚类

我们开发了一种新方法，通过对非平稳金融时间序列的波动率结构应用无监督学习来寻找其波动率状态的数量。我们使用变点检测将时间序列划分为局部平稳的片段，然后计算片段分布之间的距离矩阵。通过优化程序将片段聚类为学习到的离散波动率状态。利用这一框架，我们确定了金融指数、大盘股、交易所交易基金和货币对的波动率聚类结构。我们的方法克服了实现许多参数化状态切换模型所需的刚性假设，同时有效地将时间序列提炼为若干特征行为。我们的结果实现了对这些时间序列的显著简化，并对波动率的先前行为提供了强有力的描述性分析。最后，我们创建并验证了一种动态交易策略，该策略学习时间序列当前分布与其过去状态之间的最优匹配，从而在当下做出在线避险决策。