Spot Regressions with Candlesticks

A continuación se presenta un resumen técnico detallado del artículo "Regresiones Spot con Velas" de Yasin Simsek.

1. Planteamiento del Problema

El artículo aborda el desafío de estimar parámetros de regresión spot (específicamente el beta spot, $\beta_t$) en datos financieros de alta frecuencia.

• Contexto: La valoración tradicional de activos se basa en retornos de baja frecuencia (diarios/semanales) asumiendo betas constantes. Sin embargo, los betas varían en el tiempo, incluso dentro de un solo día de negociación.
• La Compensación: Estimar betas spot requiere ventanas de tiempo estrechas para capturar dinámicas locales. No obstante, las ventanas estrechas sufren una compensación entre sesgo y varianza: la información local limitada conduce a una alta varianza de estimación y a un bajo poder estadístico.
• Limitaciones de los Métodos Existentes:
  • Los estimadores estándar utilizan únicamente retornos de apertura a cierre, descartando valiosa información de precios intra-período.
  • Los datos a nivel de transacción (frecuencia de milisegundos) contienen la mayor cantidad de información, pero son costosos, inaccesibles para muchos y están fuertemente contaminados por ruido de microestructura de mercado, lo que requiere supuestos de modelado complejos.
  • La literatura existente basada en velas se centra principalmente en la estimación de volatilidad univariada, no en parámetros de regresión multivariada como el beta.

2. Metodología

El autor propone un marco novedoso que aprovecha los datos de velas de alta frecuencia (Apertura, Máximo, Mínimo, Cierre) para mejorar la eficiencia de la estimación y la inferencia de regresiones spot.

A. Estructura de los Datos

En lugar de utilizar únicamente el retorno $r_i = (P_{cierre} - P_{apertura})/\sqrt{\Delta}$, el marco utiliza un vector de retornos de velas normalizados para cada intervalo $T_i$:

• $r_i$: Retorno de apertura a cierre.
• $h_i$: Retorno de máximo a apertura.
• $\ell_i$: Retorno de mínimo a apertura.
• Variables derivadas: Rango ($w_i = h_i - \ell_i$) y Asimetría ($a_i = h_i + \ell_i - r_i$).

B. Marco de Estimación

1. Estimador Basado en Velas:
   El autor construye un estimador de covarianza spot $\hat{c}_{n,t}(\lambda)$ como una suma ponderada de formas cuadráticas de las variables de las velas:
   $$\hat{c}_{n,t}(\lambda) = \frac{1}{k} \sum_{i \in I_{n,t}} z_i \Lambda z_i^\top$$
   donde $z_i = (r_i, a_i, w_i)^\top$ y $\Lambda$ es una matriz de pesos $\lambda$. El beta spot se deriva luego mediante la relación de regresión estándar: $\hat{\beta}_{n,t} = \hat{c}_{12,t} / \hat{c}_{11,t}$.

2. Selección Óptima de Pesos (Minimización de Riesgo):

   • Objetivo: Minimizar una función de riesgo cuadrática definida como la norma de Frobenius al cuadrado esperada del error de estimación multiplicativo: $L(\lambda; c_t) = \| \sigma_t^{-1} \hat{c}_{n,t}(\lambda) \sigma_t^{-\top} - I \|^2$.
   • Desafío: El riesgo asintótico depende de la matriz de correlación spot desconocida $\rho_t$, lo que hace inviable la minimización directa (la distribución no es pivotal en configuraciones multivariadas).
   • Solución: El autor introduce un enfoque de Riesgo Promedio. Integrando el riesgo asintótico sobre el espacio de parámetros de $\rho_t$ (asumiendo una distribución uniforme), el problema se vuelve pivotal.
   • Resultado: Los pesos óptimos $\lambda^*$ se derivan en forma cerrada (pareciendo una solución de mínimos cuadrados) minimizando este riesgo promedio.
   • Hallazgo Clave: Los pesos óptimos favorecen fuertemente los retornos de apertura a cierre ($r_i$) y la asimetría ($a_i$), asignando un peso cercano a cero al rango ($w_i$) porque el rango pierde información de signo y está sesgado para correlaciones negativas.

3. Procedimiento de Inferencia (Prueba de Hipótesis):

   • Estadístico de Prueba: Se construye un estadístico studentizado para probar $H_0: \beta_t = \beta_0$.
   • Valores Críticos:
     • Para $\beta_0 = 0$, la distribución límite es pivotal y puede simularse directamente.
     • Para $\beta_0 \neq 0$, la distribución no es pivotal. El autor emplea un enfoque de prueba sup-t, construyendo valores críticos que controlan uniformemente el tamaño en todo el espacio de parámetros de $\rho_t$. Esto asegura que la prueba tenga un tamaño asintóticamente correcto sin requerir estimación preliminar de la correlación.

C. Marco Asintótico

El artículo utiliza asintótica de $k$ fijo (donde $k$, el número de observaciones en la ventana local, es fijo y pequeño, mientras que la frecuencia de muestreo $\Delta_n \to 0$). Esto es más apropiado para la estimación spot que la asintótica estándar de $k$ grande, ya que captura con precisión el comportamiento de muestras finitas de los estimadores locales.

3. Contribuciones Clave

1. Nueva Clase de Estimadores: Extiende los estimadores de volatilidad basados en rangos univariados (por ejemplo, Garman-Klass, Parkinson) a entornos de regresión spot multivariada.
2. Pesos de Teoría de Decisiones: Proporciona un método viable y en forma cerrada para determinar pesos óptimos para combinar información de velas en un entorno multivariado, superando la naturaleza no pivotal de la distribución límite.
3. Inferencia Viable: Desarrolla el primer procedimiento formal de prueba de hipótesis para betas spot utilizando datos de velas, incluyendo un método robusto para manejar hipótesis nulas no nulas mediante valores críticos sup-t.
4. Accesibilidad Práctica: Ofrece un método que mejora los estimadores basados en retornos estándar utilizando datos de 1 o 5 minutos ampliamente disponibles, evitando los costos y problemas de ruido de los datos a nivel de transacción.

4. Resultados Empíricos y de Simulación

A. Simulaciones Monte Carlo

• Eficiencia: El estimador basado en velas alcanza niveles de riesgo asintótico muy cercanos a un estimador "oráculo" inviable (que conoce la estructura de correlación real). Supera significativamente al estimador estándar basado en retornos, reduciendo el riesgo en aproximadamente 55–65% en muestras pequeñas ($k=5$).
• Poder: La prueba de hipótesis propuesta exhibe un poder sustancialmente mayor que las pruebas basadas en retornos.
  • Para $k=10$ y un nivel de significancia del 5%, la prueba basada en velas rechaza nulas falsas ~25% más a menudo que la prueba basada en retornos cuando el beta real se desvía moderadamente de cero.
  • La ventaja de poder es más pronunciada en tamaños de muestra pequeños (k pequeño), lo cual es crítico para estudios de eventos de alta frecuencia.

B. Aplicación Empírica: Neutralidad de Mercado de Bitcoin

• Datos: Datos de velas de 1 minuto para IBIT (ETF de Bitcoin) y SPY (ETF del S&P 500) durante todo 2024.
• Hipótesis: Probar si Bitcoin es "neutral al mercado" ($\beta_t = 0$).
• Hallazgos:
  • La hipótesis nula de neutralidad de mercado se rechaza aproximadamente el 35% del tiempo en general.
  • Las tasas de rechazo se disparan a ~60% durante agosto y septiembre de 2024, periodos de alta volatilidad de mercado (por ejemplo, aumento de tasas del Banco de Japón, datos laborales débiles de EE. UU.).
  • Implicación: Contrario a la narrativa del "oro digital" que sugiere que Bitcoin es una cobertura, el artículo encuentra un beta de mercado positivo significativo durante periodos turbulentos, lo que implica que Bitcoin actúa como un activo de riesgo en lugar de un diversificador cuando más se necesita.

5. Significado

• Teórico: Cierra la brecha entre la econometría de alta frecuencia y la regresión multivariada, proporcionando un marco riguroso para la estimación de parámetros spot utilizando estructuras de datos más ricas.
• Práctico: Proporciona a investigadores y profesionales una herramienta "plug-and-play" para obtener estimaciones más precisas, fiables y potentes de exposiciones al riesgo variables en el tiempo utilizando datos de alta frecuencia estándar y accesibles.
• Impacto Financiero: Cuestiona las narrativas predominantes sobre las propiedades de cobertura de los activos criptográficos, sugiriendo que la correlación de Bitcoin con el mercado general se intensifica durante el estrés, lo que tiene implicaciones críticas para la gestión de riesgos de cartera y la asignación de activos.