На тему: «Симметрия в высокочастотном финансовом диапазоне» (стр. 7 )

  где:

R – расстояние, пройденное броуновской частицей за время T;

T – показатель времени.

Согласно этой формуле броуновская частица продвигалась на расстояние, равное квадратному корню от времени, которое частица затратила на путь. Так, при показателе Херста, равном 0.5, система проходит за время T то же расстояние, что и броуновская частица. При больших значениях показателя Херста система проходит большее расстояние и наоборот. Исходя из этого, аналитически показатель Херста определяется следующей формулой:

, откуда

где:

H – показатель Херста,

S – среднеквадратическое отклонение временного ряда,

R – размах накопленного отклонения временного ряда,

N – число наблюдений,

a – заданная константа (принято использование значения 1.5708).

Кроме того, Бенуа Мандельброт открыл благодаря показателю Херста новый способ расчета фрактальной размерности, которая, по своей сути, является величиной, обратной показателю Херста.

Каждое значение показателя Херста характеризует временной ряд однозначно. Характеристика временных рядов и соответствующего показателя Херста приведена в Таблице 1.

Значение показателя Херста	Характеристика финансового временного ряда
H = 0	Отсутствие изменений временного ряда или они цикличны с очень большой амплитудой колебаний.
0 ≤ H ≤ 0.5	Временной ряд неустойчив. Чем ближе значение к нулю, тем неустойчивее динамика.
H = 0.5	Ряд абсолютно случаен. События не зависит друг от друга.
0.5 ≤ H ≤ 1	Трендоустойчивое (персистентное) рыночное движение. Рынок обладает долговременной памятью – будущие значения ряда зависят от прошлых.

Таблица 1.

Используя показатель Херста, рассчитанный для фьючерса на ОА Сбербанк, можно определить российский рынок в высокочастотном диапазоне как трендоустойчивый, так как для всех выбранных таймфреймов в 2011 году показатель Херста не был ниже значения 0.5. Важно подчеркнуть, что показатель Херста для рассматриваемого финансового инструмента имеет строгую логарифмическую зависимость от таймфрейма, которая представлена на Рис.22. Эмпирически подтверждено, что с увеличением таймфрейма показатель Херста снижается, что говорит о меньшей персистентности больших таймфреймов.

Рисунок 22. Показатель Херста, рассчитанный на разных таймфреймах высокочастотного диапазона на примере фьючерса ОА , 2011.

Определив понятие показателя Херста и вычислив его значения для финансового инструмента на российском рынке в высокочастотном диапазоне, целесообразно оценить существование симметрии между временными масштабами внутри высокочастотного диапазона на российском рынке. Наличие симметрии говорит о согласованности временных горизонтов трейдеров в данном типе таймфрейма, а именно высокочастотных алгоритмических систем и интрадей-трейдеров. Процедура нахождения симметрии заключается в нормировании выборки доходностей для разных таймфреймов. Данный алгоритм был адаптирован из книги Мантенья “Корреляции и сложности в финансах”. Показатель нормирования находится следующим образом24:

где:

Но первоочередным шагом в процессе определения симметрии является анализ исходных эмпирических гистограмм распределений доходностей для разных таймфреймов. На Рис.23 представлены распределения логарифмических доходностей за 2011 год фьючерса на ОА Сбербанк в 6 таймфреймах: 1, 5, 10, 15, 30, 60 минут.

Рисунок 23. Исходные ненормированные распределения логарифмических доходностей фьючерса на ОА за 2011 год на разных таймфреймах высокочастотного диапазона.

Как видно из вышестоящего рисунка с увеличением таймфрейма изменяется форма распределения – она становится более широкой с более длинными “хвостами”.

Зная значения параметра нормирования можно протестировать гипотезу о наличии симметрии в высокочастотном диапазоне, нормировав исходные доходности. Результат преобразований представлен на Рис.24. Совершенно очевидно, что наличие симметрии в высокочастотном диапазоне подтвердилось, т. к. все распределения коллапсируют в единую форму, а именно становятся подобны распределению 1-минутных доходностей. Именно это “складывание” кривых распределения в единую форму соответствует масштабной симметрии.

Рисунок 24. Нормированные доходности фьючерса на ОА за 2011 год.

Доказав наличие симметрии в высокочастотном диапазоне, неявно доказывается согласованность между участниками рынка, использующих в принятии торговых решений различные временные периоды внутри высокочастотного диапазона. Принимая во внимание данный факт, в условиях наличия симметрии появляется возможность трансформирования рыночных данных не только из большего тайфрейма в малый, но и наоборот – всё зависит лишь от параметра нормирования, который в одном случае является прямым множителем, а в другом обратным. Иными словами при наличии масштабной инвариантности относительно времени, алгоритмическая система, оптимизированная на работу в 30 минутном таймфрейме, будет способна учитывать наиболее актуальную рыночную информацию, то есть информацию из меньшего таймфрейма (5-минутного, к примеру).

Формулируя практическое применение масштабной симметрии в высокочастотном диапазоне, резонно вернуться к теме, которая неразрывно связана с распределениями доходностей, а именно рыночной волатильности. Как было показано ранее, волатильность для каждого таймфрейма разная. Также в большинстве случаев алгоритмические системы построены и оптимизированы для конкретного таймфрейма, т. к. движение цены носит специфический характер. Учитывая эти два факта возникает необходимость учета актуальной рыночной информации в понятном для алгоритмической системы виде. Иными словами ставится задача транфсормирования малого таймфрейма в больший.

Проиллюстрируем решение задачи на конкретном примере: существует созданная алгоритмическая система, оптимизированная на 30-минутном таймфрейме и использующая в своих расчетах волатильность на указанном таймфрейме. Совершенно очевидно, что рыночные данные поступают в систему с периодичностью в 30 минут, но в промежутке, который в исходном виде является “нечитаемым” для системы, заложена важная информация о движении цены финансового инструмента. Именно благодаря симметрии становится возможным решение данной задачи.

Рассмотрим исходные ненормированные распределения доходностей, которые представлены на Рис. 25, в двух интересующих таймфреймах высокочастотного диапазона – 5 и 30 минут. Видно, что расчет волатильности на основе совокупных данных как за 5 минут, так и за 30 минут будет абсолютно неточным, т. к. данные в 5-минутном тайфмрейме будут иметь заниженные по сравнению с 30-минутным таймфреймом значения доходностей и, следовательно, волатильности в виду менее лептоэксцессной формы распределения.

Рисунок 25. Исходные ненормированные доходности фьючерса на ОА в двух таймфреймах, 2011.

Принимая в расчет показателя нормирования значения показателя Херста, найденные ранее, можно нормировать исходные значения доходностей и произвести их трансформирование из 5-минутного таймфрейма в 30-минутный. Результат операций представлен на Рис.26.

Рисунок 26. Нормированные доходности фьючерса на ОА , 2011.

После нормирования графики распределений почти полностью совпадают, что говорит о полученной однородности значений доходности. Но для максимальной уверенности рассмотрим график Q-Q на Рис. 27 для нормированного 5-минутного ряда с исходным 30-минутным. Анализ сравнения квантилей полностью подтверждает однородность данных, т. к. квантили рассматриваемых распределений находятся на одной прямой с незначительными отклонениями.

Рисунок 27. Quantile vs. Quantile график для двух таймфреймов после нормировки.

Определив однородность ряда доходностей, становится возможным определение волатильности с использованием 5-минутных данных для расчетов алгоритмической системы, заточенной под 30-минутный таймфрейм. Результат расчетов представлен на Рис.28. Как видно из рисунка, симметрия, лежащая в основе нормирования, показала состоятельные оценки волатильности: с использованием нормировки стало возможным более точное и быстрое определение изменений в структуре волатильности, что позитивно сказывается на результатах внутренних расчетов алгоритмической торговой системы.

Рисунок 28. Волатильность, рассчитанная на основе исходных 30-минутных доходностей (сплошная линия) и 5-минутных нормированных доходностей (пунктирная линия) фьючерса на ОА методом симметрии, 2011.

Заключение

На основе полученных в ходе исследования результатов можно с уверенностью утверждать о наличии масштабной симметрии на российском фондовом рынке в высокочастотном финансовом диапазоне. Структура и характеристика высокочастотного диапазона отличается от привычного диапазона низкой частоты, поэтому принцип симметрии позволяет более детально понять мир высокочастотных финансов и эффективно рассчитывать входные параметры (волатильность и т. п.) для алгоритмических торговых систем. С использованием  принципа симметрии стал возможным учет наиболее актуальной рыночной информации.