利用高频金融数据的已实现波动率估计及其应用1.pptVIP

未对噪声纠偏的波动率估计已实现方差的渐进分布 图2. 招商银行2004年RV估计直方图 * uhiuku 图3. 招商银行2004年9月24日的幂变差 未对噪声纠偏的波动率估计已实现幂变差 * uhiuku 未对噪声纠偏的波动率估计已实现双幂变差(图4) * uhiuku 说明 随着幂次数的增加, 高频时微观结构噪声的影响也变得更加严重。 更高次幂的变差随着频率的增加会更快地趋于稳定值。 高频时噪声的影响随着幂次数的增加而增加， 低频时噪声的影响随着幂次数的增加而减少。 这说明了高频时幂变差估计的其实是噪声，低频时幂变差估计的才是价格波动。（这里的低频是相对于高频而言的。） * uhiuku * uhiuku 应用了减噪技术的波动率估计 核估计 图5.招商银行2004年已实现方差和已实现Tukey-Hanning2核估计比较 * uhiuku 应用了减噪技术的波动率估计 核估计方差 图6.招商银行已实现Tukey-Hanning2核估计的方差估计 * uhiuku 核估计通过引入价格的自相关项来纠正由噪声导致的偏差 与已实现方差的估计相比, 核估计在很大频率范围内都是稳定的。这一点在均值图5(b)中反应得特别明显。由于已实现方差和核估计都是价格的二次变差的估计, 因此, 如果不存在噪声影响, 它们间是应该比较接近的。未除噪的已实现方差估计随着频率的增加而快速增加是噪声存在的一个证据, 而减噪后的核估计在大的频率范围内都表现稳定说明在噪声影响下它优于已实现方差估计。 一个问题是如果高频时噪声影响如此严重, 那为什么我们不直接使用低频数据？答案是, 用频率太低的数据估计的波动率并不可靠。首先, 从图5(a)可以看出低频时已实现方差估计和核估计都随着频率的变化而波动较大, 特别是对于核估计。其次, 图6也显示了核估计渐进方差的特征图, 从中可以看出核估计的方差随着频率的增加而增大。 事实上, 频率越高, 使用的数据量也越大, 利用的信息也就越多, 从而估计也就越有效(方差越小)。 而使用低频数据意味着放弃有用的信息。 * uhiuku 核估计通过引入价格的自相关项来纠正由噪声导致的偏差 但是图5也告诉我们超高频时的核估计(例如对于招商银行而言, 就是抽样间隔小于15秒的频率)也不可靠, 虽然这时的估计方差达到最小。原因在于当我们使用CTS抽样时, 当抽样间隔小于平均交易时间间隔(这里是6.46秒)时, 一个样本会被多次重复抽样, 从而增加样本间的相关性。同时, 在超高频时, 由于噪声干扰, 样本之间本身存在着一定时间内相关性也比较强。这些原因都导致了核估计基于白噪声的假设并不成立。 * uhiuku 双频子抽样已实现方差估计(图7) * uhiuku 连续时间模型的波动率理论 ■幂变差过程和双幂变差过程（续） 不带跳的随机波动： 其中 和 * uhiuku 连续时间模型的波动率理论 ■幂变差过程和双幂变差过程（续） 带跳的随机波动： 其中X(t)是某种随机过程。 注意 * uhiuku 连续时间模型的波动率理论 ■幂变差过程和双幂变差过程（续） 提供了估计IV的另外方法。例如, 无论跳跃存在与否, 总是成立的, 于是我们可以利用 来估计IV。 由于 ，可以将跳跃的二次变差从整 个价格的二次变差中分离出来。 可以估计更高次幂(2)的积分波动率。 应用这些结论的一个限制是要求(α,σ) 和W独立 。 * uhiuku 连续时间模型的波动率理论 ■一些改进的波动估计量 对数变换 其中 Box-Cox变换 Gon?alves Meddahi(2006) 指出最优的Box-Cox变换是β=-1。 * uhiuku 连续时间模型的波动率理论 ■一些改进的波动估计量（续） Edgeworth校正 提高了RV的渐近正态性（Gon?alves Meddahi(2005)）。 Bootstrapping方法 提高了R