基于BSP-HAR-RV模型的最优抽样频率研究.pdfVIP

第 l5卷 第 3期 Vo1．15。NO．3 2O15年 3月 M arch， 2015 基于BSP-HAR—RV模型的最优抽样频率研究 李旭姣 ，张克勇 (中北大学 经济与管理学院，太原 030051) 摘要 ：金融高频 时间序列 由于数量大 ，周期短 ，信息丰富从而可 以很好的反映金融市场特征 。通过绘 出平均双幂变差 已 实现波动率散 点 图(BiPoweRealizedVolatilitySignaturePlot，BSP)，建立 BSP—HAR—RV模 型，改进 以往 国内通过列举 法选择最优频率的方法。最后对 TCI集 团股票价格一年多的高频数据实证分析，验证模型结果，并将其在最优频率下 盯 测量得到的HARRV模型预测结果与以往广泛使用的5min、10min频率下得到的结果进行 比较 ，发现最优抽样频率下 科 模型预测 能力较好 ，具有可行性 。 关键词 ：BSP-HAR—RV；最优频率选择 ；高频数据 技 中图分类号 ：F830：F222 文献标志码 ：A 文章编号 ：1671—1807(2O15)O3一O142一O5 和 y 金融风险是指企业未来 收益的不确定性或者波 假说理论 ，Corsi提 出了HAR—RV 模型l7]，通过 日、 产 d 动性。随着金融大数据时代的到来 ，我国金融市场也 月、周的已实现波动率 的 自回归过程 ，刻画市场交易 日益发展和完善 ，如何准确地测量和估计金融市场风 者的异质性行为。后来 ，多位学者对该模型进行了多 业 险显得非常重要 。近年，由于数据存储与处理技术 的 方面的扩展，如 McAleer和 Medeiros提 出的柔性多 y 进步，获取高频数据更加容易，基于高频数据对波动 重平衡变换 HAR—RV 模 型、Louzis提 出的非对称 率的研究越来越多。与传统的以日、月为频度记录的 HAR—FIGARCH模型、Corsi提出的 LHAR—CJ模型 低频数据相 比，高频数据 [I中包含更全面的市场信 以及 Liu、Maheu的HAR—RACD模型 ，分别从非对 息，有利于更加准确地估计波动率 。由于从统计学的 称性 、自相关性、异方差性、跳跃性等多方面对 已实现 角度出发 ，处理高频数据非常 困难，这方面的研究一 波动率进行研究。在国内，徐正国和张世英 从调整 直未能很好地进行。直到 Anderson和 Bollerslev提 的(已实现波动率)的长记忆性与(Jff杆)效应的角度 ， 出了已实现波动率 (RealizedVolatility，RV)2¨ 这 建立了ARFIMAX模 型 ，还将 一维 的高频数据 RV 种能够较好度量高频数据波动变化的方法 ，掀起了学 模型扩展到多维的高频数据 中[g]。魏宇口。。利用沪深 者们对高频数据研究的热潮。 300股指期货的仿真交易数据，通过对股市波动预测 以往学者对于金融资产收益波动率的研究集 中 模型的对比分析 ，得到ARFIMA—lnRV与 SV—RV模 于低频数据 ，随着计算机技术 的发展 ，高频数据更易 型的预测能力都优于 GARCH模型。张波等口 和唐 被人们获取和掌握 ，高频数据中蕴含的大量信息是低 勇、池云果_】。用 已实现波动率对沪指波动 的相关特 频数据所不具备的。Anderson和 Bollerslev提出已 性进行实证研 究，发现 HAR—RV 模型 比ARFIMA 实现波动率 ]，使得利用高频数据对收益序列的波动 模型能更有效地刻画沪指波动的长记忆性 ，且其样本 率进行估计成为可能