Long memory in high frequency time series using wavelets and conditional volatility models

Detalhes bibliográficos
Autor(a) principal: Pinto, Mateus Gonzalez de Freitas
Data de Publicação: 2021
Tipo de documento: Dissertação
Idioma: eng
Título da fonte: Biblioteca Digital de Teses e Dissertações da USP
Texto Completo: https://www.teses.usp.br/teses/disponiveis/45/45133/tde-06052021-100559/
Resumo: The goal of this dissertation is to describe a methodology for modelling the volatility of high frequency financial data, considering its features and stylized facts. In order to account for the long-range dependence in conditional mean and conditional variance, ARFIMA and FI(E)GARCH models are used respectively, when observed. To account for the non-normality, skeweness and kurtosis, features observed in the the distribution of the log-returns in high frequency, the Skewed Student t and the Generalized Error Distribution (GED) are adopted for the innovation term of the aforementioned models. Wavelet shrinkage is used in a non-parametric identification and separation of the intraday jumps from the time series data. The application of this procedure is presented using real high frequency asset returns from the Brazilian Exchange and OTC, as well as exchange rates from cryptocurrencies traded in Crypto Exchanges.
id USP_3a884e7acaf3c9f77b655bac19d54a5a
oai_identifier_str oai:teses.usp.br:tde-06052021-100559
network_acronym_str USP
network_name_str Biblioteca Digital de Teses e Dissertações da USP
repository_id_str 2721
spelling Long memory in high frequency time series using wavelets and conditional volatility modelsMemória longa em séries financeiras utilizando ondaletas e modelos de volatilidade condicionalAsset returnsDados de alta frequênciaDados intradiáriosFIGARCHFIGARCHHigh frequency dataIntraday dataLong memoryMemória longaOndaletasRetornosVolatilidadeVolatilityWaveletsThe goal of this dissertation is to describe a methodology for modelling the volatility of high frequency financial data, considering its features and stylized facts. In order to account for the long-range dependence in conditional mean and conditional variance, ARFIMA and FI(E)GARCH models are used respectively, when observed. To account for the non-normality, skeweness and kurtosis, features observed in the the distribution of the log-returns in high frequency, the Skewed Student t and the Generalized Error Distribution (GED) are adopted for the innovation term of the aforementioned models. Wavelet shrinkage is used in a non-parametric identification and separation of the intraday jumps from the time series data. The application of this procedure is presented using real high frequency asset returns from the Brazilian Exchange and OTC, as well as exchange rates from cryptocurrencies traded in Crypto Exchanges.O objetivo desta dissertação é descrever uma metodologia para modelagem da volatilidade de dados financeiros de alta frequência, considerando suas particularidades e fatos estilizados. Os modelos ARFIMA e FI(E)GARCH são utilizados para modelar a longa persistência das séries na média e na variância condicional, respectivamente, quando isto for observado. A fim de contemplar não-normalidade, assimetria e curtose são utilizadas as distribuições t de Student Assimétrica e Distribuição Generalizada de Erros (GED) para o termo de inovações dos modelos supracitados. A limiarização de ondaletas é utilizada para identificação e separação dos \"jumps\" intradiários de forma não-paramétrica. A aplicação deste procedimento é apresentada utilizando séries financeiras reais de retornos de ações em alta frequência para ativos negociados no mercado à vista na bolsa de valores brasileira, além de séries de taxas de câmbio de criptomoedas, comparando o modelo semiparamétrico proposto a uma abordagem tradicional sem remover os \"jumps\".Biblioteca Digitais de Teses e Dissertações da USPChiann, ChangPinto, Mateus Gonzalez de Freitas2021-03-09info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://www.teses.usp.br/teses/disponiveis/45/45133/tde-06052021-100559/reponame:Biblioteca Digital de Teses e Dissertações da USPinstname:Universidade de São Paulo (USP)instacron:USPLiberar o conteúdo para acesso público.info:eu-repo/semantics/openAccesseng2024-08-15T11:58:02Zoai:teses.usp.br:tde-06052021-100559Biblioteca Digital de Teses e Dissertaçõeshttp://www.teses.usp.br/PUBhttp://www.teses.usp.br/cgi-bin/mtd2br.plvirginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.bropendoar:27212024-08-15T11:58:02Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false
dc.title.none.fl_str_mv Long memory in high frequency time series using wavelets and conditional volatility models
Memória longa em séries financeiras utilizando ondaletas e modelos de volatilidade condicional
title Long memory in high frequency time series using wavelets and conditional volatility models
spellingShingle Long memory in high frequency time series using wavelets and conditional volatility models
Pinto, Mateus Gonzalez de Freitas
Asset returns
Dados de alta frequência
Dados intradiários
FIGARCH
FIGARCH
High frequency data
Intraday data
Long memory
Memória longa
Ondaletas
Retornos
Volatilidade
Volatility
Wavelets
title_short Long memory in high frequency time series using wavelets and conditional volatility models
title_full Long memory in high frequency time series using wavelets and conditional volatility models
title_fullStr Long memory in high frequency time series using wavelets and conditional volatility models
title_full_unstemmed Long memory in high frequency time series using wavelets and conditional volatility models
title_sort Long memory in high frequency time series using wavelets and conditional volatility models
author Pinto, Mateus Gonzalez de Freitas
author_facet Pinto, Mateus Gonzalez de Freitas
author_role author
dc.contributor.none.fl_str_mv Chiann, Chang
dc.contributor.author.fl_str_mv Pinto, Mateus Gonzalez de Freitas
dc.subject.por.fl_str_mv Asset returns
Dados de alta frequência
Dados intradiários
FIGARCH
FIGARCH
High frequency data
Intraday data
Long memory
Memória longa
Ondaletas
Retornos
Volatilidade
Volatility
Wavelets
topic Asset returns
Dados de alta frequência
Dados intradiários
FIGARCH
FIGARCH
High frequency data
Intraday data
Long memory
Memória longa
Ondaletas
Retornos
Volatilidade
Volatility
Wavelets
description The goal of this dissertation is to describe a methodology for modelling the volatility of high frequency financial data, considering its features and stylized facts. In order to account for the long-range dependence in conditional mean and conditional variance, ARFIMA and FI(E)GARCH models are used respectively, when observed. To account for the non-normality, skeweness and kurtosis, features observed in the the distribution of the log-returns in high frequency, the Skewed Student t and the Generalized Error Distribution (GED) are adopted for the innovation term of the aforementioned models. Wavelet shrinkage is used in a non-parametric identification and separation of the intraday jumps from the time series data. The application of this procedure is presented using real high frequency asset returns from the Brazilian Exchange and OTC, as well as exchange rates from cryptocurrencies traded in Crypto Exchanges.
publishDate 2021
dc.date.none.fl_str_mv 2021-03-09
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://www.teses.usp.br/teses/disponiveis/45/45133/tde-06052021-100559/
url https://www.teses.usp.br/teses/disponiveis/45/45133/tde-06052021-100559/
dc.language.iso.fl_str_mv eng
language eng
dc.relation.none.fl_str_mv
dc.rights.driver.fl_str_mv Liberar o conteúdo para acesso público.
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Liberar o conteúdo para acesso público.
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.coverage.none.fl_str_mv
dc.publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
dc.source.none.fl_str_mv
reponame:Biblioteca Digital de Teses e Dissertações da USP
instname:Universidade de São Paulo (USP)
instacron:USP
instname_str Universidade de São Paulo (USP)
instacron_str USP
institution USP
reponame_str Biblioteca Digital de Teses e Dissertações da USP
collection Biblioteca Digital de Teses e Dissertações da USP
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)
repository.mail.fl_str_mv virginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.br
_version_ 1815256715493376000

Registros relacionados