SCIENTIFIC HUB

Araştırmanın izini sürün.

SCIENTIFIC LITERATURE · MED

Kesitli Entrinsik Entropi-A Kapsamlı Borsa Volatilite Tahmincisi.

The Cross-Sectional Intrinsic Entropy-A Comprehensive Stock Market Volatility Estimator.

Makine çevirisi · Editoryal inceleme bekliyor

Entropy (Basel) · 2022-04-29

DOI: 10.3390/e24050623PMID: 35626508

Open accessresearch-article; Journal ArticleKaynağa git ↗

Araştırma özeti

Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by

Borsalardaki belirsizliğin zamansal boyutunu dikkate almak için, bu makale, entropi modeline dayanan borsa volatilitesinin kesitsel bir tahminini tanıtmaktadır. Önerilen kesitsel içsel entropi (CSIE), tüm piyasa için günlük volatilite tahmini olarak tanımlanır ve hesaplanır, günlük işlem gören fiyatlara (açık, yüksek, düşük ve yakın fiyatlara) dayanır - New York Borsası'nda (NYSE) listelenen tüm semboller için günlük işlem hacmi ile birlikte ve Ulusal Menkul Kıymetler Satıcıları Birliği Otomatik Teklifler (NASDAQ). CSIE'den elde edilen zaman serileri ile tahminciler tarafından sağlanan tarihsel volatilite arasında karşılaştırmalı bir analiz yapıyoruz: yakına yakın, Parkinson, Garman-Klass, Rogers-Satchell, Yang-Zhang ve içsel entropi (IE), tanımlanan ve tarihsel OHLC'den hesaplanan OHLC'nin 500 endeksi (S&P500), Dow Jones Endüstriyel Ortalaması (DJIA), ve çeşitli zaman aralıkları için NASDA. Çalışmamız, 1 Ocak 2001'den 23 Ocak 2022'ye kadar, hem NYSE hem de NASDAQ için yaklaşık 6000 günlük bir referans noktası kullanıyor. CSIE piyasa volatilite tahmincisinin piyasa endeksleri üzerinden yakalanan volatilite tahminine kıyasla sürekli olarak piyasa değişikliklerine en az 10 kat daha duyarlı olduğunu bulduk. Ayrıca, beta değerleri, çeşitli zaman aralıklarında ve yuvarlanan pencerelerde tüm pazarın volatilite riskine kıyasla, genel olarak% 50 ila% 90 daha düşük piyasa endeksleri için tutarlı bir şekilde daha düşük volatilite riskini onaylamaktadır.

Özgün kaynak özetini okuyun

To take into account the temporal dimension of uncertainty in stock markets, this paper introduces a cross-sectional estimation of stock market volatility based on the intrinsic entropy model. The proposed cross-sectional intrinsic entropy (CSIE) is defined and computed as a daily volatility estimate for the entire market, grounded on the daily traded prices-open, high, low, and close prices (OHLC)-along with the daily traded volume for all symbols listed on The New York Stock Exchange (NYSE) and The National Association of Securities Dealers Automated Quotations (NASDAQ). We perform a comparative analysis between the time series obtained from the CSIE and the historical volatility as provided by the estimators: close-to-close, Parkinson, Garman-Klass, Rogers-Satchell, Yang-Zhang, and intrinsic entropy (IE), defined and computed from historical OHLC daily prices of the Standard & Poor's 500 index (S&P500), Dow Jones Industrial Average (DJIA), and the NASDAQ Composite index, respectively, for various time intervals. Our study uses an approximate 6000-day reference point, starting 1 January 2001, until 23 January 2022, for both the NYSE and the NASDAQ. We found that the CSIE market volatility estimator is consistently at least 10 times more sensitive to market changes, compared to the volatility estimate captured through the market indices. Furthermore, beta values confirm a consistently lower volatility risk for market indices overall, between 50% and 90% lower, compared to the volatility risk of the entire market in various time intervals and rolling windows.

Bilimsel değerlendirme

01

Araştırma sorusu

Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.

02

Yöntem ve örneklem

Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.

03

Temel bulgular

Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.

04

Sınırlılıklar

Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.

Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.