背景
Calvet&Fisher(2004,2008)的马尔可夫切换多重分形随机波动率模型(MSM)允许对高维状态空间进行简化描述。 在Collins(2020)中,我证明了当扩展状态空间,使用高频数据以及考虑微结构噪声时,MSM的样本外性能得到改善。 我使用Python实现的MSM启用了最大似然估计和分析预测功能,具有多达13个波动率频率和8,000多个状态,是以前文献的八倍,在此版本中提供了代码(请参见MSM_03.py)。
MSM的此Python实现引入了一种随机算法,该算法结合了启发式过程和本地搜索,以结合本地优化对状态空间进行增强的探索。 在我的工作中,严格准备和清理数据,稀疏采样以及以最佳出价和要价各自深度加权的回报创新,减轻了微结构噪音。 这些发展形成了一个规格齐全的模型,可以更好地利用大型高频(HF)数据集提供给它的增加的信息。 样本中模型选择测试显示,随着引入更多的波动
1