Jump-diffusion models of parametric volume-price distributions

Titolo: Modelli di salto-diffusione per distribuzioni parametriche volume-prezzo

1. Il Problema

I mercati finanziari sono caratterizzati da dinamiche complesse che includono fluttuazioni continue e bruschi spostamenti discontinui (eventi estremi come crolli di mercato o shock di liquidità). I modelli stocastici tradizionali, come il moto browniano geometrico o le dinamiche di Langevin, sono efficaci nel catturare l'evoluzione "liscia" dei prezzi ma falliscono nel rappresentare eventi rari e distribuzioni a code pesanti.
Il problema centrale affrontato dallo studio è quantificare il ruolo dei "salti" (jump) nelle fluttuazioni intraday del rapporto volume-prezzo, distinguendo tra dinamiche puramente diffusive e quelle che richiedono un modello di salto-diffusione. L'obiettivo è sviluppare un framework data-driven per modellare l'evoluzione stocastica delle distribuzioni di volume e prezzo, identificando quali parametri statistici guidano la volatilità e la discontinuità del mercato.

2. Metodologia

Gli autori hanno analizzato i dati di 1.750 società quotate alla Borsa di New York (NYSE) su un periodo di 976 giorni di trading, con una frequenza di campionamento di 10 minuti.

• Preprocessing e Detrending:
  • I dati grezzi sono stati filtrati per rimuovere il trading dopo l'orario di chiusura e i giorni con errori.
  • È stata applicata una regola di outlier ($10\sigma$) per rimuovere giorni anomali.
  • Per isolare le fluttuazioni stocastiche, le serie temporali dei parametri sono state "detrendate" sottraendo una media mobile a 21 giorni e rimuovendo i primi e ultimi 10 giorni per evitare effetti di bordo.
• Modellazione Parametrica:
  • La variabile studiata è $s(t) = p(t)v(t)$ (prodotto prezzo-volume).
  • Sono state adattate quattro famiglie di distribuzioni a supporto positivo ai dati intraday: Gamma, Inverse Gamma, Weibull e Log-Normale.
  • Ogni distribuzione è parametrizzata da un parametro di forma ($\phi$) e un parametro di scala ($\theta$).
• Analisi Stocastica (Metodo Kramers-Moyal):
  • È stato utilizzato un approccio non parametrico basato sui coefficienti di Kramers-Moyal (KM) per ricostruire direttamente le dinamiche (drift, diffusione, salti) dai momenti condizionali, senza assumere a priori una misura di Lévy specifica.
  • Pipeline a quattro passaggi:
    1. Verifica della proprietà di Markov: Determinazione del tempo di Markov ($\tau_M$) tramite entropia condizionata e funzione di autocorrelazione parziale (PACF).
    2. Discretizzazione adattiva dello spazio degli stati: Utilizzo di un metodo di "zone-adaptive binning" (core, shoulder, coda) per stabilizzare la stima dei momenti di ordine superiore, evitando bin vuoti nelle code.
    3. Calcolo dei momenti condizionali grezzi: Calcolo dei momenti $K^{(n)}$ per lag temporali $\tau \in \{1, ..., 6\}$.
    4. Estrazione dei momenti infinitesimali corretti: Regressione lineare per estrarre i momenti infinitesimali $M^{(n)}$ e applicazione di formule di correzione (tramite polinomi di Bell) per rimuovere le contaminazioni incrociate tra ordini inferiori e superiori, ottenendo i coefficienti KM corretti $D^{(n)}$.
• Diagnostica:
  • La distinzione tra diffusione pura e salto-diffusione è basata sul rapporto diagnostico $R(x) = D^{(4)}(x) / D^{(2)}(x)$. Se $R(x) < 0.1$, il processo è puramente diffusivo; altrimenti, indica dinamiche di salto-diffusione.
  • I momenti di ordine 4 e 6 sono utilizzati per stimare l'intensità dei salti ($\lambda$) e la loro ampiezza ($\sigma_\xi$).

3. Risultati Chiave

L'analisi rivela una netta asimmetria tra il comportamento del parametro di forma ($\phi$) e quello di scala ($\theta$), che dipende dalla distribuzione scelta:

• Gamma, Inverse Gamma e Weibull:

  • Parametro di forma ($\phi$): Si comporta come un processo puramente diffusivo con drift di media regressiva lineare. I coefficienti di ordine superiore ($D^{(4)}, D^{(6)}$) sono trascurabili e il rapporto $R(x)$ è ben al di sotto della soglia di 0.1.
  • Parametro di scala ($\theta$): Mostra dinamiche di salto-diffusione dominanti. I coefficienti di ordine 4 e 6 sono enormi (differenze di ordini di grandezza fino a $10^{42}$ rispetto a $\phi$), e il rapporto $R(x)$ raggiunge valori dell'ordine di $10^{9} - 10^{11}$.
  • Implicazione: Per queste distribuzioni, la variabilità è guidata da rari ma grandi discontinuità nel parametro di scala (liquidity shocks), mentre la forma evolve in modo continuo.

• Distribuzione Log-Normale (Log-Normal):

  • Mostra un comportamento inverso.
  • Parametro di scala logaritmico ($\theta$): È prevalentemente diffusivo. La trasformazione logaritmica rende gli shock moltiplicativi additivi, regolarizzando la varianza e sopprimendo le firme di salto.
  • Parametro di forma logaritmico ($\phi$): Mostra deboli firme di salto, ma rimane dominato dalla diffusione.
  • Questo risultato è coerente con la teoria secondo cui la trasformazione logaritmica "normalizza" le fluttuazioni moltiplicative tipiche dei mercati finanziari.

• Quantificazione dei Salti:

  • L'inversione dei momenti globali conferma che per i parametri di scala ($\theta$) delle distribuzioni Gamma, InvG e Weibull, i salti contribuiscono per una percentuale significativa alla varianza totale (dal 40% al 63%), con tassi di salto stimati tra 4 e 15 eventi per unità di tempo.

4. Contributi Principali

1. Framework Data-Driven Non Parametrico: Applicazione robusta dei coefficienti di Kramers-Moyal fino al sesto ordine a dati finanziari reali ad alta frequenza, superando le limitazioni dei modelli parametrici fissi (come Merton o CGMY) che richiedono l'assunzione preventiva della misura di salto.
2. Scoperta dell'Asimmetria Forma-Scala: Dimostrazione empirica che, per la maggior parte delle distribuzioni di volume-prezzo, la dinamica di scala è governata da salti (discontinuità), mentre la dinamica di forma è puramente diffusiva. Questo offre una nuova prospettiva sulla struttura microstrutturale del mercato.
3. Validazione della Trasformazione Logaritmica: Spiegazione tecnica del perché la distribuzione Log-Normale inverte questo pattern, mostrando come la parametrizzazione logaritmica possa mascherare le dinamiche di salto sottostanti, rendendo il parametro di scala apparentemente diffusivo.
4. Pipeline di Preprocessing Robusta: Implementazione di tecniche avanzate come il "zone-adaptive binning" e le correzioni finite-lag per gestire il rumore, la non stazionarietà e la scarsità di dati nelle code, essenziali per la stima affidabile dei momenti di ordine superiore.

5. Significato e Implicazioni

• Gestione del Rischio: La distinzione tra dinamiche diffusive e di salto è cruciale per la valutazione del rischio. Poiché il parametro di scala (legato alla volatilità e alla liquidità) è dominato da salti, i modelli di rischio che assumono una distribuzione normale o puramente diffusiva sottostimano drasticamente la probabilità di eventi estremi.
• Modellazione della Volatilità: I risultati suggeriscono che i controlli sulla volatilità, lo posizionamento degli stop-loss e gli scenari di stress dovrebbero essere guidati dai parametri di scala, che catturano gli shock discontinui, mentre i parametri di forma possono essere utilizzati per segnali strutturali più lenti.
• Teoria dei Mercati: Il lavoro collega la fisica statistica dei sistemi complessi (superstatistica, processi di Lévy) alla finanza empirica, fornendo una base matematica solida per comprendere come le fluttuazioni di mercato siano una sovrapposizione di processi continui e discontinui.
• Robustezza: La classificazione dei regimi (diffusione vs. salto) si è dimostrata robusta rispetto alla scelta della finestra di detrending (10, 21 o 42 giorni), confermando la solidità delle conclusioni empiriche.

In sintesi, il paper fornisce un quadro rigoroso per modellare la volatilità intraday, evidenziando che la natura discontinua del mercato è intrinsecamente legata alla scala dei flussi monetari, e che l'uso di trasformazioni logaritmiche può alterare significativamente la percezione di queste dinamiche.