高频数据的计量框架.pdf

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抽取的观测值是非等间距地观测到的，并且间距是随机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 的模型的模型。。将原始数据过滤产生新的固定频率的数据将原始数据过滤产生新的固定频率的数据，，这种处这种处 理方法减少了数据频率，丧失数据的某些特性。为了充分利 用高高频数数据的信息信息，必须对随机随机时间间隔建模建模。统计理论中论中， 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。 考虑时间序列考虑时间序列 {{t ,,t ,,,,t ,,},}, 其其中中t t t  为事件发生为事件发生 00 11 nn 00 11 nn 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 N ((t ),), t 0,,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 着大量的其他信息着大量的其他信息，如买卖价差如买卖价差、交易价格交易价格、交易量交易量、报价深报价深 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 息集息集 tt {{tt , tt , , tt }}和和yy {{yy , yy , , yy }}, ，对于一个平稳的标对于一个平稳的标 i i i1 0 i i i1 0 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： ff ((tt N (t )1 , yy N (t )1 //tt N (t ) ,yy N (t ) )) 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 密度函数密度函数： ff ((tt N (t )1 //tt N (t ) ,yy N (t ) )) ff ((tt N (t )1 ,yy //tt N (t ) ,yy N (t ) ))dydy 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要考虑具有后效性的点过程，此时需要引入条件强度此时需要引入条件强度 P(N(t t) N(t ) / N(t);t ,t ,t ) 函数 （（tt // NN((tt););tt ,, tt ,, ..tt )) limlim 1 2 N (t ) 11 22 NN ((t )) 0 t t 条件强度函数也称为危机函数 tttt 11 t时刻发生交易的条件强度函数为（t/ N(t),t ,,t ) ( N(t ) ) 1 N (t ) 0