基于高频数据的建模.pptxVIP

高频数据的经验特征1.低频数据 二十世纪九十年代以前，人们对金融时间序列的研究都是针对日、周、月、季度或者年度数据进行的，这种金融数据在金融计量学研究领域通常称为低频数据。2.高频数据 近年来，随着计算工具和计算方法的发展，极大地降低了数据记录和存储的成本，使得对更高频率的金融数据进行研究成为可能。在金融市场中，高频率采集的数据可以分为两类：高频数据（high frequency data）和超高频数据（ultra high frequency data）。 高频数据是指以小时、分钟或秒为采集频率的数据。高频数据即日内数据，是指在开盘时间和收盘时间之间进行抽样的交易数据，主要是以小时、分钟、甚至秒为抽样频率的、按时间顺序排列的时间序列。高频数据的经验特征3.超高频数据 超高频数据则是指交易过程中实时采集的数据。高频数据和超高频数据两者之间的最大区别是：前者是等时间间隔的，后者的时间间隔是时变的。一般而言，金融市场上的信息是连续地影响证券市场价格运动过程的。数据的离散采集必然会造成信息不同程度的缺失。采集数据频率越高，信息丢失越少；反之，信息丢失越多。 高频数据的几个特征： 不等间隔的时间区间 离散取值的价格（最小变动价位引起的） 日周期或日模式的存在（如开盘与收盘时的交易比较频繁，而中午时间的交易比较少） 一秒钟的多重交易（多重交易，甚至是具有不同价格的多重交易同时发生是可能的，部分由于时间是以秒来测量的，而在大量交易期间，这种时间长度可能还是太长） 非同步交易不同的股票有着不同的交易频率；即使是同种证券，其交易强度也是不断变化着，且交易间隔往往不同。这就是所谓的交易的非同步性。非同步交易将会导致：（1）收益之间的一步延迟交叉相关；（2）组合收益的一步延迟序列相关；（3）某些情形下 ，单只证券收益序列的负序列相关；更复杂的是，非同步交易也能引起单只证券错误的负序列相关。 收益的均值、方差与一步延迟自协方差 买卖价差 做市商以标价Pb 购买，以更高的叫价P a卖出（对公众而言，则相反），价格Pa-Pb称为买卖价差。这是做市商获得报酬的主要来源，买卖价差一般比较小。 持续期模型持续期模型主要考虑交易之间的时间间隔。较长的持续期预示着较少的交易活动。持续期的动态行为包含了关于日内市场活动的有用信息。调整的时间持续期模型自回归条件持续期模型（ACD）非线性持续期模型ACD 模型