Jump-diffusion models of parametric volume-price distributions

Resumo Técnico: Modelos de Difusão com Saltos para Distribuições Paramétricas de Volume-Preço

1. O Problema

Os mercados financeiros exibem dinâmicas complexas caracterizadas por flutuações contínuas e mudanças abruptas e descontínuas (saltos) nos preços dos ativos. Modelos estocásticos tradicionais, como o Movimento Browniano Geométrico, capturam bem a evolução suave dos preços, mas falham em explicar eventos extremos, como quedas de mercado ou choques de liquidez, que frequentemente resultam em distribuições empíricas de caudas pesadas.

O desafio central é quantificar a natureza estocástica da evolução das distribuições de volume-preço em alta frequência. Especificamente, é necessário determinar se as flutuações nos parâmetros dessas distribuições são governadas puramente por processos de difusão contínua ou se requerem modelos de difusão com saltos (jump-diffusion), que combinam um processo contínuo com componentes de Poisson descontínuos.

2. Metodologia

Os autores propõem uma estrutura baseada em dados para modelar a evolução estocástica de 1.750 ações listadas na NYSE, amostradas a cada 10 minutos durante 976 dias de negociação.

• Dados e Pré-processamento:

  • A variável analisada é $s(t) = p(t)v(t)$ (preço $\times$ volume), representando o fluxo monetário e a intensidade de negociação.
  • Foram ajustadas quatro famílias de distribuições com suporte positivo aos dados intradiários: Gama, Gama Inversa, Weibull e Log-Normal.
  • Cada distribuição é parametrizada por um parâmetro de forma ($\phi$) e um parâmetro de escala ($\theta$).
  • As séries temporais dos parâmetros foram detendenciadas (subtraindo uma média móvel de 21 dias) para focar nas flutuações estocásticas, e outliers foram removidos.
  • A estacionariedade fraca das séries detendenciadas foi confirmada através dos testes ADF e KPSS.

• Análise Estocástica (Método Kramers-Moyal):

  • Utilizou-se a abordagem não paramétrica de Kramers-Moyal (KM) para reconstruir diretamente os coeficientes de deriva, difusão e salto a partir dos momentos condicionais, sem assumir uma medida de Lévy pré-definida.
  • Pipeline de 4 etapas:
    1. Verificação da Propriedade de Markov: Determinação do tempo de Markov ($\tau_M$) usando entropia condicional e função de autocorrelação parcial (PACF).
    2. Discretização Adaptativa do Espaço de Estados: Uso de um esquema de "zonas adaptativas" (núcleo, ombro e cauda) para garantir estabilidade nos momentos de ordem superior, evitando bins vazios nas caudas das distribuições.
    3. Cálculo de Momentos Condicionais: Cálculo dos momentos brutos $K^{(n)}(x, \tau)$ para ordens $n=1, 2, 4, 6$.
    4. Extração de Momentos Infinitesimais: Regressão linear para extrair os momentos infinitesimais $M^{(n)}(x)$ e aplicação de correções de lag finito (fórmulas de Bell polinomiais) para obter os coeficientes corrigidos $F_n$.

• Classificação de Dinâmica:

  • A dinâmica é classificada baseada na razão diagnóstica $R(x) = D^{(4)}(x)/D^{(2)}(x)$.
  • Se $R(x) < 0.1$, o processo é considerado puramente difusivo (equação de Langevin).
  • Se $R(x) \gg 1$, indica dinâmica de difusão com saltos dominantes.

3. Principais Contribuições

• Desacoplamento de Regimes: Demonstração empírica de que, para a maioria das distribuições (Gama, Gama Inversa, Weibull), o parâmetro de forma ($\phi$) segue uma dinâmica puramente difusiva com reversão à média linear, enquanto o parâmetro de escala ($\theta$) exibe dinâmica de difusão com saltos dominantes.
• Inversão no Modelo Log-Normal: Identificação de um comportamento oposto para a distribuição Log-Normal, onde o parâmetro de escala ($\theta$, que representa o desvio padrão no espaço log) é difusivo, e o parâmetro de forma ($\phi$, a média log) mostra sinais fracos de saltos. Isso é atribuído à transformação logarítmica que converte choques multiplicativos em aditivos.
• Quantificação de Risco: Cálculo de taxas de salto ($\lambda$) e amplitudes ($\sigma_\xi$) globais, mostrando que os saltos respondem por uma grande parcela da variância total (até 63% para $\theta$ em algumas distribuições), confirmando que discontinuidades raras dominam a volatilidade.

4. Resultados Chave

• Parâmetro de Forma ($\phi$): Para Gama, Gama Inversa e Weibull, os coeficientes de ordem superior ($D^{(4)}$ e $D^{(6)}$) são negligenciáveis. A razão $D^{(4)}/D^{(2)}$ permanece abaixo de 0.1, indicando que a estrutura da distribuição (densidade do fluxo de negociação) evolui suavemente.
• Parâmetro de Escala ($\theta$): Para as mesmas distribuições, os coeficientes de ordem 4 e 6 são extremamente grandes (ex: $D^{(4)} \sim 10^{22}$ para Gama). A razão diagnóstica atinge valores de $10^9$ a $10^{11}$, confirmando a presença de saltos frequentes e grandes.
  • A variância devida a saltos ($\hat{f}_{jump}$) para $\theta$ varia entre 40% e 63%.
• Caso Log-Normal: O modelo Log-Normal inverte o padrão. O parâmetro de escala logarítmico ($\theta$) é difusivo, enquanto o parâmetro de localização ($\phi$) mostra uma atividade de salto fraca. Isso sugere que a volatilidade relativa (escala) é mais estável em log-espaço, enquanto a média logarítmica sofre descontinuidades.
• Robustez: A classificação dos regimes (difusão vs. salto) permaneceu inalterada ao variar a janela de detendenciamento (10, 21 e 42 dias), validando a robustez do método.

5. Significado e Implicações

• Teórico: O trabalho valida a aplicação de métodos não paramétricos de Kramers-Moyal em dados financeiros reais de alta frequência, fornecendo uma ferramenta rigorosa para distinguir entre processos contínuos e descontínuos sem assumir modelos paramétricos prévios.
• Prático (Gestão de Risco):
  • O parâmetro de forma ($\phi$) atua como um sinal estrutural lento, útil para execução e dimensionamento de ordens.
  • O parâmetro de escala ($\theta$) deve ser o principal motor para controles de volatilidade, posicionamento de stop-loss e cenários de estresse, pois é onde residem os riscos de "saltos" (eventos raros e extremos).
• Microestrutura: A descoberta sugere que choques de liquidez e afinamento do livro de ofertas (que afetam a escala) ocorrem de forma descontínua, enquanto a organização do fluxo de negociação (forma) se ajusta de maneira contínua e difusiva.

Em suma, o artigo fornece uma evidência empírica robusta de que a volatilidade intradiária de volume-preço não é homogênea; ela possui um "núcleo difusivo" (forma) e uma "casca propensa a saltos" (escala), com uma inversão interessante sob a transformação logarítmica.