Spot Regressions with Candlesticks

1. Formulação do Problema

O artigo aborda o desafio de estimar parâmetros de regressão spot (especificamente o beta spot, $\beta_t$) em dados financeiros de alta frequência.

• Contexto: A precificação tradicional de ativos baseia-se em retornos de baixa frequência (diários/semanais), assumindo betas constantes. No entanto, os betas variam ao longo do tempo, mesmo dentro de um único dia de negociação.
• O Trade-off: A estimativa de betas spot requer janelas de tempo estreitas para capturar dinâmicas locais. Contudo, janelas estreitas sofrem de um trade-off viés-variância: informações locais limitadas levam a alta variância de estimação e baixo poder estatístico.
• Limitações dos Métodos Existentes:
  • Estimadores padrão utilizam apenas retornos de abertura ao fechamento, descartando informações valiosas de preços intra-período.
  • Dados em nível de tick (frequência de milissegundos) contêm a maior quantidade de informações, mas são caros, inacessíveis para muitos e fortemente contaminados por ruído de microestrutura de mercado, exigindo suposições complexas de modelagem.
  • A literatura existente baseada em candlesticks foca principalmente na estimativa de volatilidade univariada, não em parâmetros de regressão multivariada como o beta.

2. Metodologia

O autor propõe uma estrutura inovadora que aproveita dados de candlesticks de alta frequência (Abertura, Máxima, Mínima, Fechamento) para melhorar a eficiência da estimação e inferência de regressão spot.

A. Estrutura de Dados

Em vez de utilizar apenas o retorno $r_i = (P_{fechamento} - P_{abertura})/\sqrt{\Delta}$, a estrutura utiliza um vetor de retornos de candlestick normalizados para cada intervalo $T_i$:

• $r_i$: Retorno de abertura ao fechamento.
• $h_i$: Retorno de máxima a abertura.
• $\ell_i$: Retorno de mínima a abertura.
• Variáveis derivadas: Amplitude ($w_i = h_i - \ell_i$) e Assimetria ($a_i = h_i + \ell_i - r_i$).

B. Estrutura de Estimação

1. Estimador Baseado em Candlesticks:
   O autor constrói um estimador de covariância spot $\hat{c}_{n,t}(\lambda)$ como uma soma ponderada de formas quadráticas das variáveis de candlestick:
   $$\hat{c}_{n,t}(\lambda) = \frac{1}{k} \sum_{i \in I_{n,t}} z_i \Lambda z_i^\top$$
   onde $z_i = (r_i, a_i, w_i)^\top$ e $\Lambda$ é uma matriz de pesos $\lambda$. O beta spot é então derivado através da relação padrão de regressão: $\hat{\beta}_{n,t} = \hat{c}_{12,t} / \hat{c}_{11,t}$.

2. Seleção Ótima de Pesos (Minimização de Risco):

   • Objetivo: Minimizar uma função de risco quadrática definida como a norma de Frobenius ao quadrado esperada do erro de estimação multiplicativo: $L(\lambda; c_t) = \| \sigma_t^{-1} \hat{c}_{n,t}(\lambda) \sigma_t^{-\top} - I \|^2$.
   • Desafio: O risco assintótico depende da matriz de correlação spot desconhecida $\rho_t$, tornando a minimização direta inviável (a distribuição é não-pivotal em configurações multivariadas).
   • Solução: O autor introduz uma abordagem de Risco Médio. Ao integrar o risco assintótico sobre o espaço de parâmetros de $\rho_t$ (assumindo uma distribuição uniforme), o problema torna-se pivotal.
   • Resultado: Os pesos ótimos $\lambda^*$ são derivados em forma fechada (assemelhando-se a uma solução de mínimos quadrados) ao minimizar este risco médio.
   • Descoberta Chave: Os pesos ótimos favorecem fortemente os retornos de abertura ao fechamento ($r_i$) e a assimetria ($a_i$), atribuindo peso próximo de zero à amplitude ($w_i$), pois a amplitude perde informações de sinal e é enviesada para correlações negativas.

3. Procedimento de Inferência (Teste de Hipótese):

   • Estatística de Teste: Uma estatística studentizada é construída para testar $H_0: \beta_t = \beta_0$.
   • Valores Críticos:
     • Para $\beta_0 = 0$, a distribuição limite é pivotal e pode ser simulada diretamente.
     • Para $\beta_0 \neq 0$, a distribuição é não-pivotal. O autor emprega uma abordagem de teste sup-t, construindo valores críticos que controlam uniformemente o tamanho em todo o espaço de parâmetros de $\rho_t$. Isso garante que o teste tenha tamanho assintoticamente correto sem exigir estimação preliminar da correlação.

C. Estrutura Assintótica

O artigo utiliza assintótica de $k$ fixo (onde $k$, o número de observações na janela local, é fixo e pequeno, enquanto a frequência de amostragem $\Delta_n \to 0$). Isso é mais apropriado para estimação spot do que a assintótica padrão de $k$ grande, pois captura com precisão o comportamento de amostra finita dos estimadores locais.

3. Contribuições Principais

1. Nova Classe de Estimadores: Estende estimadores de volatilidade baseados em amplitude univariada (por exemplo, Garman-Klass, Parkinson) para configurações de regressão spot multivariada.
2. Pesos Baseados em Teoria da Decisão: Fornece um método viável e em forma fechada para determinar pesos ótimos para combinar informações de candlesticks em um cenário multivariado, superando a natureza não-pivotal da distribuição limite.
3. Inferência Viável: Desenvolve o primeiro procedimento formal de teste de hipóteses para betas spot usando dados de candlesticks, incluindo um método robusto para lidar com hipóteses nulas não nulas via valores críticos sup-t.
4. Acessibilidade Prática: Oferece um método que melhora os estimadores padrão baseados em retornos usando dados de 1 ou 5 minutos amplamente disponíveis, evitando os custos e problemas de ruído dos dados em nível de tick.

4. Resultados Empíricos e de Simulação

A. Simulações de Monte Carlo

• Eficiência: O estimador baseado em candlesticks atinge níveis de risco assintótico muito próximos de um estimador "oráculo" inviável (que conhece a estrutura de correlação verdadeira). Supera significativamente o estimador padrão baseado em retornos, reduzindo o risco em aproximadamente 55–65% em pequenas amostras ($k=5$).
• Poder: O teste de hipótese proposto exibe poder substancialmente maior do que os testes baseados em retornos.
  • Para $k=10$ e um nível de significância de 5%, o teste baseado em candlesticks rejeita nulas falsas cerca de 25% mais frequentemente do que o teste baseado em retornos quando o beta verdadeiro se desvia moderadamente de zero.
  • A vantagem de poder é mais pronunciada em tamanhos de amostra pequenos (pequeno $k$), que são críticos para estudos de eventos de alta frequência.

B. Aplicação Empírica: Neutralidade de Mercado do Bitcoin

• Dados: Dados de candlesticks de 1 minuto para IBIT (ETF de Bitcoin) e SPY (ETF do S&P 500) ao longo de 2024.
• Hipótese: Testar se o Bitcoin é "neutro em relação ao mercado" ($\beta_t = 0$).
• Descobertas:
  • A hipótese nula de neutralidade de mercado é rejeitada aproximadamente 35% do tempo no geral.
  • As taxas de rejeição disparam para ~60% durante agosto e setembro de 2024, períodos de alta volatilidade de mercado (por exemplo, aumento de taxas pelo Banco do Japão, dados fracos de trabalho nos EUA).
  • Implicação: Contrariando a narrativa de "ouro digital" que sugere que o Bitcoin é um hedge, o artigo encontra beta de mercado positivo significativo durante períodos turbulentos, implicando que o Bitcoin atua como um ativo de risco em vez de um diversificador quando mais necessário.

5. Significância

• Teórica: Preenche a lacuna entre econometria de alta frequência e regressão multivariada, fornecendo uma estrutura rigorosa para estimação de parâmetros spot usando estruturas de dados mais ricas.
• Prática: Fornece a pesquisadores e profissionais uma ferramenta "plug-and-play" para obter estimativas mais precisas, confiáveis e poderosas de exposições a riscos variáveis no tempo usando dados de alta frequência padrão e acessíveis.
• Impacto Financeiro: Desafia narrativas predominantes sobre as propriedades de hedge de ativos criptográficos, sugerindo que a correlação do Bitcoin com o mercado mais amplo se intensifica durante o estresse, o que tem implicações críticas para o gerenciamento de risco de portfólio e alocação de ativos.