利用高频金融数据的已实现波动率估计及其应用学习课件.ppt

高频数据的降噪技术 ■已实现核估计（续）－－渐进分布 当M→∞时, 给定 如果 如果 m是在区间(-1/M, 1/M)和(t-1/M, t+1/M)内的各不相同的观测数据个数,目的是消除在时间段上[0, t]价格p在0及t的端点效应(通过取各自区间上的平均值)。实践中,m →∞的要求并没有初看上去那么重要,因为对于固定的m, 其对渐进方差的贡献与ξ^2/m成正比, 而ξ^2在实证分析中都很小(一般是渐进方差的千分之一的数量级)。 . 高频数据的降噪技术 ■已实现核估计（续） 核估计是IV的一致估计，无论是否有跳跃。 光滑核估计的收敛(于IV)速度比折线核估计要快， A?t-Sahalia et al.(2005)证明光滑核估计可以达到一般情形下的最快的收敛速度。 Tukey-Hanning核估计比其它类型的核估计有效。 Barndorff-Nielsen et al. (2007)说明在噪声序列相关且具有内生性时，核估计仍有很好的效果。 . 高频数据的降噪技术 ■已实现核估计（续） 估计已实现核估计的步骤： （1）选择核函数k(?)。（光滑核函数是首选） （2）选择抽样方法和抽样频率M。 抽样方法: CTS（Calendar Time Sampling)子区间长度相等 TTS（Tick Time Sampling）以观测值计数为间隔 抽样频率: 使抽样后的样本间不存在相关性的最高频率 （3）确定自相关滞后阶数H。（由（18）或（19）式，需估计噪声方差ω和波动积分四次项 ） （4）计算已实现核估计。（由（17）式） （5）计算已实现核估计的渐近方差。 . 高频数据的降噪技术 ■子抽样估计 子抽样（Subsampling) 可以使用全部的原始数据, 又保持适当的频率。 双频已实现波动TSRV估计（Two Scales Realized Volatility） 一个较低频率用于子抽样RV估计, 另一个较高频率的RV估计用来纠偏(由噪声引起的)。可以允许噪声间存在相关性。 多频已实现波动MSRV估计（Multiple Scales realized Volatility） 使用多个频率以达到更快的收敛速度, 但只允许白噪声假设。 . 高频数据的降噪技术 ■子抽样估计（续） 方案 假设有某种资产价格 p的原始交易数据。这些数据发生在时间段[0, t]内。我们可以将其划分为K个子样本: 第k (k=1,2,…,K)个子样本从第 k个原始数据开始,每隔K个数据取样一次。如果原始样本发生在时间格 则第k个子样本的时间格为： 其中 . 高频数据的降噪技术 ■子抽样估计（续） 例 假设 n可被 K整除, 第 1个子样本: 第 2个子样本: 第 3个子样本: 第K个子样本: 其中第1个子样本有n/K+1个观测值, 其它子样本容量为n/K。 因此所有这K个子样本用完了所有原始样本(n+1个观测)。 . 高频数据的降噪技术 ■子抽样估计（续） 子抽样RV 基于第 k个子样本的已实现方差： 如果取合适的K值，这一估计将是降噪后的RV的适当估计。 将K个这样的估计取平均: 这一估计的方差更小(是未平均RV的1/K)，但仍是有偏的。 . 高频数据的降噪技术 ■子抽样估计（续）－－TSRV TSRV由Zhang et al.(2005)引入，A?t-Sahalia et al.(2006)发展。 构造: 其中 1≤JK≤n， ， TSRV结合了两种减噪思想: 使用适中频率（K）作通常的RV估计， 使用更高频率（J）来估计噪声引起的偏差以纠偏。 频率的选择(K和J): 如果噪声序列的相关性不超过m个观测值, 则可以选择J=m+1。 如果噪声是白噪声, 我们仅需选择J=1。 TSRV只要求噪声序列平稳。 TSRV为一致估计需要满足一定的条件， A?t-Sahalia et al.(2006)给出修正。 . 高频数据的降噪技术 ■子抽样估计（续）－－MSRV 构造: 其中的W个低频率 用来作子抽样RV估计, 而用全部原始数据的可能的最快频率估计噪声偏差项。当然, 各个子抽样RV估计的权重值需要满足