The role of higher moments in high-frequency data modelling

This thesis studies the role of higher moments, that is moments behind mean and variance, in continuous-time, or diffusion, processes, which are commonly used to model so-called high-frequency data. Thereby, the first part is devoted to the derivation of closed-form expression of general (un)conditional (co)moment formulas of the famous CIR process’s solution. A byproduct of this derivation will be a novel way of proving that the process’s transition density is a noncentral chi-square distribution and that its steady-state law is a Gamma distribution. In the second part, we use these moment formulas to derive a near-exact simulation algorithm to the Heston model, in the sense that our algorithm generates pseudo-random numbers that have the same first four moments as the theoretical diffusion process. We will conduct several in-depth Monte Carlo studies to determine which existing simulation algorithm performs best with respect to these higher moments under certain circumstances. We will conduct the same study for the CIR process, which serves as a diffusion for the latent spot variance in the Heston model. The third part discusses several estimation approaches to the Heston model based on high-frequency data, such as MM, GMM, and (pseudo/quasi) ML. For the GMM approach, we will use the moments derived in the first part as moment conditions. We apply the best methodology to actual high-frequency price series of cryptocurrencies and FIAT stocks to provide benchmark parameter estimates.Die vorliegende Arbeit untersucht die Rolle von höheren Momenten, also Momente, welche über den Erwartungswert und die Varianz hinausgehen, im Kontext von zeitstetigen Zeitreihenmodellen. Solche Diffusionsprozesse werden häufig genutzt, um sogenannte Hochfrequenzdaten zu beschreiben. Teil 1 der Arbeit beschäftigt sich mit der Herleitung von allgemeinen und in geschlossener Form verfügbaren Ausdrücken der (un)bedingten (Ko-)Momente der Lösung zum CIR-Prozess. Mittels dieser Formeln wird auf einem alternativen Weg bewiesen, dass die Übergangsdichte dieses Prozesses mithilfe einer nichtzentralen Chi-Quadrat-Verteilung beschrieben werden kann, und dass seine stationäre Verteilung einer Gamma-Verteilung entspricht. Im zweiten Teil werden die zuvor entwickelten Ausdrücke genutzt, um einen nahezu exakten Simulationsalgorithmus für das Hestonmodell herzuleiten. Dieser Algorithmus ist in dem Sinne nahezu exakt, dass er Pseudo-Zufallszahlen generiert, welche die gleichen ersten vier Momente besitzen, wie der dem Hestonmodell zugrundeliegende Diffusionsprozess. Ferner werden Monte-Carlo-Studien durchgeführt, die ergründen sollen, welche bereits existierenden Simulationsalgorithmen in Hinblick auf die ersten vier Momente die besten Ergebnisse liefern. Die gleiche Studie wird außerdem für die Simulation des CIR-Prozesses durchgeführt, welcher im Hestonmodell als Diffusion für die latente, instantane Varianz dient. Im dritten Teil werden mehrere Schätzverfahren für das Hestonmodell, wie das MM-, GMM und pseudo- beziehungsweise quasi-ML-Verfahren, diskutiert. Diese werden unter Benutzung von Hochfrequenzdaten studiert. Für das GMM-Verfahren dienen die hergeleiteten Momente aus dem ersten Teil der Arbeit als Momentebedingungen. Um ferner Schätzwerte für das Hestonmodell zu finden, werden die besten Verfahren auf Hochfrequenzmarktdaten von Kryptowährungen, sowie hochliquider Aktientitel angewandt. Diese sollen zukünftig als Orientierungswerte dienen