Spot Regressions with Candlesticks

1. Probleemstelling

Het artikel adresseert de uitdaging van het schatten van spot-regressieparameters (specifiek de spot-beta, $\beta_t$) in hoogfrequente financiële data.

• Context: Traditionele activa-prijzenbepaling vertrouwt op returns met lage frequentie (dagelijks/wekelijks) en gaat uit van constante betas. Echter, betas zijn tijdsvariërend, zelfs binnen één handelsdag.
• De Trade-off: Het schatten van spot-betas vereist smalle tijdvensters om lokale dynamiek te vangen. Smalle vensters lijden echter onder een bias-variatie trade-off: beperkte lokale informatie leidt tot hoge schattingsvariatie en zwakke statistische power.
• Beperkingen van Bestaande Methoden:
  • Standaard schatters gebruiken alleen open-to-close returns, waardoor waardevolle intra-periode prijsinformatie wordt weggegooid.
  • Tick-gebaseerde data (milliseconde-frequentie) bevat de meeste informatie, maar is duur, voor velen ontoegankelijk en zwaar vervuild door marktmicrostructuurruis, wat complexe modelleerannames vereist.
  • Bestaande literatuur gebaseerd op candlesticks richt zich voornamelijk op univariate volatiliteit-schattings, niet op multivariate regressieparameters zoals beta.

2. Methodologie

De auteur stelt een nieuw raamwerk voor dat gebruikmaakt van hoogfrequente candlestick-data (Open, High, Low, Close) om de efficiëntie van spot-regressieschatting en inferentie te verbeteren.

A. Datastructuur

In plaats van alleen de return $r_i = (P_{close} - P_{open})/\sqrt{\Delta}$ te gebruiken, maakt het raamwerk gebruik van een vector van genormaliseerde candlestick-returns voor elk interval $T_i$:

• $r_i$: Open-to-close return.
• $h_i$: High-to-open return.
• $\ell_i$: Low-to-open return.
• Afgeleide variabelen: Range ($w_i = h_i - \ell_i$) en Asymmetrie ($a_i = h_i + \ell_i - r_i$).

B. Schattingsraamwerk

1. Candlestick-gebaseerde Schatter:
   De auteur construeert een spot-covariantieschatter $\hat{c}_{n,t}(\lambda)$ als een gewogen som van kwadratische vormen van de candlestick-variabelen:
   $$\hat{c}_{n,t}(\lambda) = \frac{1}{k} \sum_{i \in I_{n,t}} z_i \Lambda z_i^\top$$
   waarbij $z_i = (r_i, a_i, w_i)^\top$ en $\Lambda$ een matrix van gewichten $\lambda$ is. De spot-beta wordt vervolgens afgeleid via de standaard regressierelatie: $\hat{\beta}_{n,t} = \hat{c}_{12,t} / \hat{c}_{11,t}$.

2. Optimale Gewichtsselectie (Risicominimalisatie):

   • Doel: Minimaliseren van een kwadratische risicofunctie gedefinieerd als de verwachte gekwadrateerde Frobenius-norm van de multiplicatieve schattingsfout: $L(\lambda; c_t) = \| \sigma_t^{-1} \hat{c}_{n,t}(\lambda) \sigma_t^{-\top} - I \|^2$.
   • Uitdaging: Het asymptotische risico hangt af van de onbekende spot-correlatiematrix $\rho_t$, waardoor directe minimalisatie onuitvoerbaar is (de verdeling is niet-pivotaal in multivariate settings).
   • Oplossing: De auteur introduceert een Average Risk-benadering. Door het asymptotische risico te integreren over de parameterruimte van $\rho_t$ (onder de aanname van een uniforme verdeling), wordt het probleem pivotaal.
   • Resultaat: De optimale gewichten $\lambda^*$ worden afgeleid in gesloten vorm (gelijkend op een least-squares oplossing) door dit gemiddelde risico te minimaliseren.
   • Kernbevinding: De optimale gewichten geven zwaar de voorkeur aan open-close returns ($r_i$) en asymmetrie ($a_i$), terwijl ze de range ($w_i$) een bijna nul gewicht toekennen, omdat de range tekeninformatie verliest en vertekend is bij negatieve correlaties.

3. Inferentieprocedure (Hypothesetoetsing):

   • Toetsingsstatistiek: Een gestudentiseerde statistiek wordt geconstrueerd voor het toetsen van $H_0: \beta_t = \beta_0$.
   • Kritieke Waarden:
     • Voor $\beta_0 = 0$ is de limietverdeling pivotaal en kan direct gesimuleerd worden.
     • Voor $\beta_0 \neq 0$ is de verdeling niet-pivotaal. De auteur hanteert een sup-t test-benadering, waarbij kritieke waarden worden geconstrueerd die de grootte uniform controleren over de gehele parameterruimte van $\rho_t$. Dit zorgt ervoor dat de toets asymptotisch de juiste grootte heeft zonder voorafgaande schatting van correlatie.

C. Asymptotisch Raamwerk

Het artikel maakt gebruik van fixed-$k$ asymptotiek (waarbij $k$, het aantal observaties in het lokale venster, vast en klein is, terwijl de steekproeffrequentie $\Delta_n \to 0$). Dit is geschikter voor spot-schatting dan standaard large-$k$ asymptotiek, omdat het het gedrag in eindige steekproeven van lokale schatters nauwkeurig vastlegt.

3. Belangrijkste Bijdragen

1. Nieuwe Klasse Schatters: Breidt univariate range-gebaseerde volatiliteitsschatters (bijv. Garman-Klass, Parkinson) uit naar multivariate spot-regressie-settings.
2. Decision-Theoretische Gewichten: Biedt een uitvoerbare methode in gesloten vorm om optimale gewichten te bepalen voor het combineren van candlestick-informatie in een multivariate setting, waarmee de niet-pivotale aard van de limietverdeling wordt overwonnen.
3. Uitvoerbare Inferentie: Ontwikkelt de eerste formele hypothesetoetsprocedure voor spot-betas met behulp van candlestick-data, inclusief een robuuste methode voor het behandelen van niet-nul nulhypothese via sup-t kritieke waarden.
4. Praktische Toegankelijkheid: Biedt een methode die verbetert op standaard return-gebaseerde schatters met gebruik van wijdverspreide 1-minuut of 5-minuut data, waarmee de kosten en ruisproblemen van tick-gebaseerde data worden vermeden.

4. Empirische en Simulatie-resultaten

A. Monte Carlo Simulaties

• Efficiëntie: De candlestick-gebaseerde schatter bereikt asymptotische risiconiveaus die zeer dicht bij een onuitvoerbare "oracle"-schatter liggen (die de ware correlatiestructuur kent). Hij presteert aanzienlijk beter dan de standaard return-gebaseerde schatter, met een risicoreductie van ongeveer 55–65% in kleine steekproeven ($k=5$).
• Power: De voorgestelde hypothesetoets vertoont aanzienlijk hogere power dan return-gebaseerde toetsen.
  • Voor $k=10$ en een significantieniveau van 5%, verwerpt de candlestick-toets valse nullen ongeveer 25% vaker dan de return-gebaseerde toets wanneer de ware beta matig afwijkt van nul.
  • Het power-voordeel is het meest uitgesproken in kleine steekproefgroottes (kleine $k$), wat cruciaal is voor hoogfrequente event studies.

B. Empirische Toepassing: Bitcoin Marktnutraliteit

• Data: 1-minuut candlestick-data voor IBIT (Bitcoin ETF) en SPY (S&P 500 ETF) gedurende 2024.
• Hypothese: Toetsen of Bitcoin "marktneutraal" is ($\beta_t = 0$).
• Bevindingen:
  • De nulhypothese van marktnutraliteit wordt ongeveer 35% van de tijd overall verworpen.
  • Verwerpingpercentages pieken tot ~60% tijdens augustus en september 2024, periodes van hoge marktvolatiliteit (bijv. renteverhoging door de Bank van Japan, zwakke Amerikaanse arbeidsdata).
  • Implicatie: In tegenstelling tot het "digitale goud"-narratief dat suggereert dat Bitcoin een hedge is, vindt het artikel een significant positieve markt-beta tijdens turbulente periodes, wat impliceert dat Bitcoin fungeert als een risicobezit in plaats van een diversificator op het moment dat dit het meest nodig is.

5. Betekenis

• Theoretisch: Overbrugt de kloof tussen hoogfrequente econometrie en multivariate regressie, en biedt een rigoureus raamwerk voor spot-parameter-schatting met gebruik van rijkere datastructuren.
• Praktisch: Biedt onderzoekers en practitioners een "plug-and-play"-tool om nauwkeurigere, betrouwbaardere en krachtigere schattingen van tijdsvariërende risicoblootstellingen te verkrijgen met gebruik van standaard, toegankelijke hoogfrequente data.
• Financiële Impact: Daagt heersende narratieven over hedging-eigenschappen van crypto-activa uit, en suggereert dat de correlatie van Bitcoin met de bredere markt intensifieert tijdens stress, wat kritieke implicaties heeft voor portfoliorisicomanagement en assetallocatie.