自回归条件持续期模型(ACD)介绍.pptxVIP

高频数据的计量框架 金融高频数据是在细小的时间间隔上抽取的观测值，这些抽取的观测值是非等间距地观测到的，并且间距是随机的。处理这种数据有两种方法，一是对原始数据进行处理后使用经典的模型，二是考虑随机时间间隔建立处理高频数据的新的模型。将原始数据过滤产生新的固定频率的数据，这种处理方法减少了数据频率，丧失数据的某些特性。为了充分利用高频数据的信息，必须对随机时间间隔建模。统计理论中，常常将金融高频时间序列过程转化为一个点过程进行处理。 考虑时间序列 为事件发生时间，例如金融市场上交易的发生时间，可以将这个时间过程，视为一个简单的点过程。与每个交易时间对应的有一个计数函数 为到第i笔交易时刻为止，所发生的交易次数。当然金融高频数据中，不仅仅包含这些简单的信息变量，还包含着大量的其他信息，如买卖价差、交易价格、交易量、报价深度、交易笔数等重要的信息。如果将这些信息与交易时间序列一同考虑，称这一种点过程为“标记的点过程”。首先引入信息集 ，对于一个平稳的标记点过程，可以利用它的联合概率密度函数（条件分布）来完全刻画： 例如，如果不考虑下一个交易点的标记值，仅仅对交易时间进行分析，研究下一笔交易发生的时间，可以得到以下边缘概率密度函数： 称之为一个简单的点过程，这一点过程以过去的交易时间、交易标记值为条件。可以利用这个点过程分析下一笔交易的到达时间。 为了得到一个适合金融高频数据特征的计量模型，首先建立一个标记的点过程。而金融数据由于受到过去信息的影响，需要考虑具有后效性的点过程，此时需要引入条件强度 函数 条件强度函数也称为危机函数 t时刻发生交易的条件强度函数为 这一强度函数通过基准危机函数和时间间隔的条件期望来反映这一动态的点过程。条件强度函数可以这样理解，即某个交易到达的瞬时概率。 持续期模型介绍 考虑 是第 次交易发生的日历时间，从第 到第 次交易的时间持续期为 持续期模型主要考虑交易之间的时间间隔。介绍一个简单的持续期模型—ACD（Autoregressive Conditional duration)模型。正如GARCH模型是刻画波动率的聚类性，ACD模型是刻画持续期的聚类性。 持续期的聚类性是指：短的持续期后面也往往跟随着短的持续期，长的持续期后面也往往跟随着长的持续期。 自回归条件持续期（ACD）模型利用GARCH模型的思想研究 调整的时间持续期 的动态结构。 日周期或者日模式的存在：在正常交易条件下，交易活动能够展示周期模式，举例说，在NYSE中，开盘与收盘时刻的交易比较频繁，而中午时间交易比较少，导致了“U”型的交易强度。因此，交易之间的时间持续期亦呈现日循环模式。 是一个确定的函数，有 的循环成分组成，所以 （调整的时间持续期）就是要消除类似于每日模式这样的因素的影响。 ACD模型 我们定义 令 表示第 次交易至第 次交易的调整的时间持续期的条件期望，其中 为第 次交易时可以得到的信息集合，即 为给定 的条件下期望的调整持续期。基本的ACD模型定义为 其中 是独立同分布的非负随机变量满足 。 假设只有P阶滞后的持续时间影响条件持续期，可以得到： 考虑更一般的情形，类似于GARCH模型，将q阶条件期望持续期引入，可以得到一般的ACD模型： 式中p和q为相应的延迟阶数，这就是ACD（p,q)模型，第 个 持续期的条件期望由其滞后的q个条件期望和滞后的p个过去的实际的持续期共同决定。这与GARCH（p,q)模型具有非常相似的形式。 当 服从不同的分布，会得到不同的模型形式。当它服从一个标准指数分布时，结果中的模型成为EACD（p,q)模型，当它服从标准化的韦布尔（Weibull)分布，则成为WACD(p,q)模型。 ACD模型与ARMA模型的关系 将ACD（p,q)模型记为 ① 其中 L为滞后算子，对上式移项可得