Spot Regressions with Candlesticks

1. Enunciato del Problema

Il documento affronta la sfida di stimare i parametri di regressione spot (in particolare il beta spot, $\beta_t$) nei dati finanziari ad alta frequenza.

• Contesto: La valutazione tradizionale degli asset si basa su rendimenti a bassa frequenza (giornalieri/settimanali) assumendo betas costanti. Tuttavia, i betas variano nel tempo, anche all'interno di un singolo giorno di negoziazione.
• Il Trade-off: La stima dei betas spot richiede finestre temporali ristrette per catturare le dinamiche locali. Tuttavia, le finestre ristrette soffrono di un trade-off bias-varianza: informazioni locali limitate portano a un'alta varianza di stima e a una scarsa potenza statistica.
• Limitazioni dei Metodi Esistenti:
  • Gli stimatori standard utilizzano solo i rendimenti da apertura a chiusura, scartando preziose informazioni sui prezzi intra-periodo.
  • I dati a livello di tick (frequenza millisecondo) contengono le informazioni più ricche ma sono costosi, inaccessibili a molti e fortemente contaminati dal rumore della microstruttura di mercato, richiedendo assunzioni di modellazione complesse.
  • La letteratura esistente basata sui candele si concentra principalmente sulla stima della volatilità univariata, non sui parametri di regressione multivariata come il beta.

2. Metodologia

L'autore propone un nuovo quadro che sfrutta i dati ad alta frequenza a candela (Apertura, Massimo, Minimo, Chiusura) per migliorare l'efficienza della stima e dell'inferenza della regressione spot.

A. Struttura dei Dati

Invece di utilizzare solo il rendimento $r_i = (P_{chiusura} - P_{apertura})/\sqrt{\Delta}$, il quadro utilizza un vettore di rendimenti a candela normalizzati per ogni intervallo $T_i$:

• $r_i$: Rendimento da apertura a chiusura.
• $h_i$: Rendimento da massimo ad apertura.
• $\ell_i$: Rendimento da minimo ad apertura.
• Variabili derivate: Intervallo ($w_i = h_i - \ell_i$) e Asimmetria ($a_i = h_i + \ell_i - r_i$).

B. Quadro di Stima

1. Stimatore Basato sulle Candele:
   L'autore costruisce uno stimatore di covarianza spot $\hat{c}_{n,t}(\lambda)$ come somma pesata di forme quadratiche delle variabili a candela:
   $$\hat{c}_{n,t}(\lambda) = \frac{1}{k} \sum_{i \in I_{n,t}} z_i \Lambda z_i^\top$$
   dove $z_i = (r_i, a_i, w_i)^\top$ e $\Lambda$ è una matrice di pesi $\lambda$. Il beta spot è quindi derivato attraverso la relazione di regressione standard: $\hat{\beta}_{n,t} = \hat{c}_{12,t} / \hat{c}_{11,t}$.

2. Selezione Ottimale dei Pesi (Minimizzazione del Rischio):

   • Obiettivo: Minimizzare una funzione di rischio quadratica definita come il valore atteso della norma di Frobenius al quadrato dell'errore di stima moltiplicativo: $L(\lambda; c_t) = \| \sigma_t^{-1} \hat{c}_{n,t}(\lambda) \sigma_t^{-\top} - I \|^2$.
   • Sfida: Il rischio asintotico dipende dalla matrice di correlazione spot $\rho_t$ sconosciuta, rendendo impossibile la minimizzazione diretta (la distribuzione non è pivotale in contesti multivariati).
   • Soluzione: L'autore introduce un approccio di Rischio Medio. Integrando il rischio asintotico sullo spazio dei parametri di $\rho_t$ (assumendo una distribuzione uniforme), il problema diventa pivotale.
   • Risultato: I pesi ottimali $\lambda^*$ sono derivati in forma chiusa (assomigliando a una soluzione ai minimi quadrati) minimizzando questo rischio medio.
   • Risultato Chiave: I pesi ottimali favoriscono pesantemente i rendimenti da apertura a chiusura ($r_i$) e l'asimmetria ($a_i$), assegnando un peso vicino allo zero all'intervallo ($w_i$) perché l'intervallo perde l'informazione sul segno ed è distorto per correlazioni negative.

3. Procedura di Inferenza (Test di Ipotesi):

   • Statistica di Test: Viene costruita una statistica studentizzata per testare $H_0: \beta_t = \beta_0$.
   • Valori Critici:
     • Per $\beta_0 = 0$, la distribuzione limite è pivotale e può essere simulata direttamente.
     • Per $\beta_0 \neq 0$, la distribuzione non è pivotale. L'autore impiega un approccio sup-t, costruendo valori critici che controllano uniformemente la dimensione su tutto lo spazio dei parametri di $\rho_t$. Ciò garantisce che il test abbia una dimensione asintoticamente corretta senza richiedere una stima preliminare della correlazione.

C. Quadro Asintotico

Il documento utilizza asintotica a $k$ fissato (dove $k$, il numero di osservazioni nella finestra locale, è fissato e piccolo, mentre la frequenza di campionamento $\Delta_n \to 0$). Questo è più appropriato per la stima spot rispetto alla standard asintotica a $k$ grande, poiché cattura accuratamente il comportamento in campioni finiti degli stimatori locali.

3. Contributi Chiave

1. Nuova Classe di Stimatori: Estende gli stimatori di volatilità basati sull'intervallo univariato (ad es. Garman-Klass, Parkinson) a contesti di regressione spot multivariata.
2. Pesi Decisionali: Fornisce un metodo fattibile e in forma chiusa per determinare i pesi ottimali per combinare le informazioni delle candele in un contesto multivariato, superando la natura non pivotale della distribuzione limite.
3. Inferenza Fattibile: Sviluppa la prima procedura formale di test di ipotesi per i betas spot utilizzando dati a candela, inclusa un metodo robusto per gestire ipotesi nulle non nulle tramite valori critici sup-t.
4. Accessibilità Pratica: Offre un metodo che migliora gli stimatori basati sui rendimenti standard utilizzando dati ampiamente disponibili a 1 minuto o 5 minuti, evitando i costi e i problemi di rumore dei dati a livello di tick.

4. Risultati Empirici e di Simulazione

A. Simulazioni Monte Carlo

• Efficienza: Lo stimatore basato sulle candela raggiunge livelli di rischio asintotico molto vicini a uno stimatore "oracolo" non fattibile (che conosce la vera struttura di correlazione). Supera significativamente lo stimatore standard basato sui rendimenti, riducendo il rischio di circa 55–65% in piccoli campioni ($k=5$).
• Potenza: Il test di ipotesi proposto mostra una potenza sostanzialmente superiore rispetto ai test basati sui rendimenti.
  • Per $k=10$ e un livello di significatività del 5%, il test basato sulle candela rifiuta le ipotesi nulle false circa il 25% in più rispetto al test basato sui rendimenti quando il vero beta si discosta moderatamente da zero.
  • Il vantaggio in termini di potenza è più pronunciato in piccoli campioni (piccolo $k$), che sono critici per gli studi di eventi ad alta frequenza.

B. Applicazione Empirica: Neutralità di Mercato del Bitcoin

• Dati: Dati a candela a 1 minuto per IBIT (ETF Bitcoin) e SPY (ETF S&P 500) per tutto il 2024.
• Ipotesi: Testare se il Bitcoin è "neutrale di mercato" ($\beta_t = 0$).
• Risultati:
  • L'ipotesi nulla di neutralità di mercato viene rifiutata circa il 35% del tempo in totale.
  • I tassi di rifiuto schizzano a ~60% durante agosto e settembre 2024, periodi di alta volatilità di mercato (ad es. aumento dei tassi della Banca del Giappone, dati deboli sul lavoro negli USA).
  • Implicazione: Contrariamente alla narrazione dell'"oro digitale" che suggerisce che il Bitcoin sia una copertura, il documento trova un beta di mercato positivo significativo durante i periodi turbolenti, implicando che il Bitcoin agisce come un asset rischioso piuttosto che come un diversificatore quando è più necessario.

5. Significato

• Teorico: Colma il divario tra l'econometria ad alta frequenza e la regressione multivariata, fornendo un quadro rigoroso per la stima dei parametri spot utilizzando strutture di dati più ricche.
• Pratico: Fornisce a ricercatori e professionisti uno strumento "plug-and-play" per ottenere stime più precise, affidabili e potenti delle esposizioni al rischio variabili nel tempo utilizzando dati ad alta frequenza standard e accessibili.
• Impatto Finanziario: Mette in discussione le narrazioni prevalenti sulle proprietà di copertura degli asset crittografici, suggerendo che la correlazione del Bitcoin con il mercato più ampio si intensifica durante lo stress, il che ha implicazioni critiche per la gestione del rischio di portafoglio e l'allocazione degli asset.