Modeling high frequency intraday discrete returns

Abstract

Esta tese inclui três artigos sobre o tópico de modelagem de retornos intradiários discretos em alta-frequencia. Em todos os artigos nós conduzimos a tarefa de modelar a distribuição condicional discreta das mudanças de preço, propomos novos modelos de previsão e conduzimos exercícios de estimação e previsão em larga escala para comparar os novos modelos com os modelos existentes na literatura. No primeiro artigo nós estendemos o modelo de espaço de estados univariado, não-linear e não-gaussiano de Koopman, Lit and Lucas (2017) incluindo uma especificação para a média condicional. No segundo artigo nós propomos um novo modelo para a distribuição condicinal bivariada usando cópulas gaussianas dinâmicas e modelando o coeficiente de correlação com um modelo em espaço de estados não-linear e não-gaussiano. No último artigo nós propomos um novo modelo para a distribuição univariada condicional onde a volatilidate condicional é prevista por uma rede neural feedforward. Nós tambem incorporamos três novas variaveis para o modelos de previsão de volatilidade em alta frequência com preços discretos: o spread de compra e venda, o spread entre o preço maximo e preço mínimo e o volume transacionado. Em todos os três artigos os novos modelos mostraram melhor performance nos exercícios de previsão de densidade condicional quando comparados a modelos recentes da literatura.

This thesis encompasses three papers on the subject of modelling high-frequency intraday discrete price changes. In all papers we consider the task of modelling the discrete conditional distribution of price changes, propose new models and conduct large scale estimation and forecasting exercises in order to compare the models with existing models in the literature. In the first paper we extend the univariate non-linear non-Gaussian state space model of Koopman, Lit and Lucas (2017) by including a specification for the conditional mean. In the second paper we propose a new model for the bi-variate conditional distribution by using Gaussian copulas and by modelling the correlation coefficient dynamics by using a non-linear, non-Gaussian state space model. On the last paper we propose a new model for the univariate conditional distribution where the conditional volatility is predicted by a deep feedforward neural network. We also incorporate three new variables for predicting the discrete price high-frequency volatility: the bid-ask spread, high-low interval spread and the volume traded. In all the three papers the new models outperformed recent literature models considered at the conditional density forecasting exercises conducted.