Parameter Estimation for the Vasicek Process with Microstructure Noise

In de wereld van de financiën bewegen prijzen niet in een rechte lijn; ze dwalen af, stijgen en keren terug naar een gemiddelde, net als een slinger die naar een rustpunt zwaait. Economen gebruiken een wiskundig model genaamd het Vasicek-proces om dit gedrag te beschrijven, waarbij wordt vastgelegd hoe rentestanden of activaprijzen de neiging hebben om na een schok terug te keren naar een langetermijngemiddelde. Dit model is een hoeksteen voor het prijzen van opties en het meten van risico, maar het rust op een cruciale aanname: dat de geobserveerde gegevens een perfecte reflectie zijn van de onderliggende realiteit. In de echte wereld zijn financiële gegevens echter zelden zuiver. Wanneer handelaren activa kopen en verkopen, worden de geregistreerde prijzen vervuild door "microstructuurruis"—kleine, willekeurige fouten veroorzaakt door de mechanica van het handelen, zoals de tijd die nodig is om een transactie uit te voeren of de manier waarop orders worden geplaatst. Deze ruis is als statische ruis op een radio-signaal; het vertroebelt de ware melodie van de markt. Als onderzoekers proberen hun modellen af te stemmen op dit ruisige signaal zonder rekening te houden met de statische ruis, komen ze uit op onnauwkeurige schattingen van hoe snel prijzen terugkeren naar hun gemiddelde of hoe volatiel ze werkelijk zijn.

Een team onderzoekers van de Guangxi Normal University en de Yulin Normal University heeft een nieuwe methode ontwikkeld om door deze statische ruis heen te snijden en het ware signaal te herstellen. Ze richtten zich op een specifiek type financiële gegevens die bekend staat als hoogfrequente gegevens, die prijsveranderingen in zeer korte intervallen vastleggen, zoals elke vijf minuten. Hoewel deze overvloed aan gegevens krachtig is, versterkt het ook het probleem van de ruis. De onderzoekers pakten de uitdaging aan door twee gevestigde technieken te combineren: kernel smoothing, dat werkt als een zacht filter om de grillige sprongen in de gegevens uit te middelen, en maximum likelihood estimation, een statistische methode voor het vinden van de meest waarschijnlijke waarden voor de parameters van het model. Hun doel was om te bewijzen dat zelfs wanneer de gegevens rommelig zijn en de ruis niet perfect willekeurig is, hun methode nog steeds betrouwbaar de ware getallen achter de marktbewegingen kan vinden.

De onderzoekers begonnen met het construeren van een wiskundig kader dat erkent dat de ruis niet alleen willekeurige statische ruis is, maar ook afhankelijk kan zijn van voorgaande momenten, een conditie die bekend staat als mixing dependence. In simpelere termen: de fout op één moment kan licht gerelateerd zijn aan de fout van een moment daarvoor, een kenmerk dat veel voorkomt in echte markten en dat oudere modellen vaak negeerden. Om dit aan te pakken, gebruikten ze een techniek genaamd truncatie, die effectief extreme uitschieters negeert die de resultaten zouden kunnen verkenen, en pasten ze specifieke wiskundige ongelijkheden toe die ontworpen zijn voor deze afhankelijke sequenties. Ze testten hun theorie vervolgens via uitgebreide computersimulaties. Ze creëerden duizenden fictieve marktscenario's waarin de ware waarden bekend waren, voegden variërende hoeveelheden ruis toe, en probeerden vervolgens de oorspronkelijke waarden te herstellen met behulp van hun nieuwe methode.

De resultaten van deze simulaties waren duidelijk en bemoedigend. Naarmate de onderzoekers de hoeveelheid gegevens die zij analyseerden vergrootten, convergeerden hun schattingen voor de snelheid van de gemiddelde terugkeer (mean reversion), het langetermijngemiddelde van de prijs en de volatiliteit van de markt geleidelijk naar de ware waarden die zij aan het begin hadden ingesteld. Bovendien, naarmate de hoeveelheid ruis in de gegevens afnam, verbeterde de nauwkeurigheid van hun schattingen en kromp de onzekerheid rond die schattingen. De studie toonde aan dat de snelheid van de gemiddelde terugkeer de parameter was die het meest gevoelig was voor ruis, wat grotere datasets vereiste om accuraat geschat te worden, terwijl het langeterminggemiddelde het meest stabiel was. Cruciaal was dat de methode standhield, zelfs wanneer de ruis niet perfect onafhankelijk was, een significante verbetering ten opzichte van eerdere benaderingen die vertrouwden op striktere, minder realistische aannames.

Om te zien of dit in de echte wereld werkte, paste het team hun methode toe op werkelijke marktgegevens van de Shanghai Stock Exchange Composite Index. Ze gebruikten prijsintervallen van vijf minuten verzameld over meerdere maanden, een dataset die groot genoeg was om een robuuste test te bieden. Na het gladstrijken van de ruwe prijsgegevens om de microstructuurruis te verwijderen, voedden ze de schoongemaakte cijfers aan hun model. De resulterende schattingen stelden hen in staat om een voorspellingsmodel voor toekomstige prijzen te bouwen. Wanneer zij hun voorspellingen vergeleken met de werkelijke marktprijzen die volgden, presteerde het model goed. De werkelijke prijzen bleven ongeveer 92 procent van de tijd binnen het voorspelde onzekerheidsbereik, een cijfer dat nauw aansluit bij de theoretische verwachting. Dit bewees dat het model niet alleen de historische gegevens kon verklaren, maar ook de essentiële kenmerken van het marktgedrag kon vangen.

Het werk bevestigt dat het mogelijk is om betrouwbare inzichten te extraheren uit ruisige, hoogfrequente financiële gegevens zonder te hoeven aannemen dat de ruis perfect willekeurig is. Door de strikte regels te versoepelen die voorheen deze modellen beperkten, hebben de onderzoekers een robuuster instrument geboden voor het begrijpen van de marktmechanismen. Hun bevindingen suggereren dat met de juiste wiskundige filters, het ware ritme van de markt gehoord kan worden, zelfs door de statische ruis van de moderne handel heen. Dit betekent niet dat de markt op een eenvoudige manier voorspelbaar is, maar het betekent wel dat de instrumenten die worden gebruikt om het gedrag ervan te meten, nauwkeuriger kunnen worden gemaakt, wat een helderder beeld biedt van de krachten die de financiële prijzen drijven.