利用高频金融数据的已实现波动率估计和应用.pptVIP

一个应用： 高频数据下的事件研究 ——基于小波分析的跳跃和已实现波动率 本文的工作 为解决高频金融数据下的事件研究问题，尝试用小波分析方法检测高频金融数据的跳跃次数和经小波消噪估计的已实现波动率来刻画事件对市场的冲击。 研究结果表明采用高频金融数据的已实现波动率与跳跃次数来反应事件对市场的冲击，不仅能捕捉事件对市场冲击的强度和速度，还能区别重要事件和一般事件。 从刻画事件对市场的冲击的准确角度说，已实现波动率与跳跃次数优于传统的累积超额收益率。 引言 在金融、经济、会计等领域的研究中，常用事件研究法来分析金融市场中某类事件的发生是否对上市公司的市场价值引起统计上的显著反应。 度量事件窗样本证券的累积超额收益率CAR： 用以分析的数据大多使用低频数据的日数据，甚至时间跨度更大（如周或月）的数据。 使用低频数据进行事件研究，在过去是适用的，但对于现代金融市场则显得远远不够。 低频数据从统计上来说是低效的，低频数据仅是高频金融数据的抽样，抽样丢失了大量信息。 另外，低频数据或者说抽样后数据，对于金融市场中非常重要的信息——跳跃的分析是非常困难的：在检测跳跃时，我们需要仔细观测检查价格是否发生突然变化。 更能刻画事件发生对市场冲击的变量，是跳跃和已实现波动率。 已实现波动率RV 反映了两点间（即事件窗区间内）的价格变化状况，其中p是资产的高频价格对数。相对累积超额收益率来说，已实现波动率更能刻画事件对市场的冲击。 高频金融数据含有市场微观结构噪音。在利用高频数据时，如何消除市场微观结构噪音的影响成为关键。 根据小波分析具有自适应的时-频局部化分析的特性，能将正常信号、跳跃信号、噪音信号分离出来的特点，利用多分辩小波分析方法检测高频金融数据跳跃位置，并利用小波分析方法先消除市场微观结构噪音再估计已实现波动率，以此为基础，来分析事件对金融市场的冲击和影响。 Fan，J. Wang, Y. (2007) Multi-scale Jump and Volatility Analysis for High-Frequency Financial Data. Journal of the American Statistical Association, 102, 1349-1362 . Wang，Y. (1995) Jump and sharp cusp detection by wavelets．Biometrika, 82,385-97. 实证分析 选取2005年有股权分置题材的公司，2005年内年报披露、红利公告、股权分置方案实施公告为事件，尝试用小波检测估计的跳跃、小波消噪估计的已实现波动率来刻画信息披露的股市反应。 选择2005年12月15号前实施股权分置方案且发放了红利的上市公司。2005年我国有股改题材的上市公司共有243家；12月15号前实施股权分置改革方案的有197家； 2005年12月15号前实施股改方案、2005年又发放了股利的上市公司有156家。因此，所选样本公司共156 家。 事件：股权分置方案实施、年报公告、红利公告。 事件窗：事件日当天，事件日后第1天，后第二天至后5天共4天，事件日后第6天至后10日共5天。 比较窗：股权分置改革开始公告前50天（若包含年报、红利等事件，将剔除事件当天及前5天、后15天）作为股权分置题材事件的比较窗口。因股权分置改革开始公告后，在股改开始公告到股权分置方案实施期间陆续有有关公司股改题材的公告，故这期间不宜作为事件分析的比较窗。 对照公司：选取同行业、资产相近、2005年有红利发放公告、尽量在同一交易所交易的上市公司作为样本公司的对照公司。 表1 全年的平均跳跃次数和累积波动率 表2 样本公司全年的跳跃次数、波动率与对照公司、上证指数对应值的差异 D-对应两值之差； rv-已实现累积波动率；j-跳跃的次数；1-样本公司；2-对照公司；com-比较窗; sh上证指数 样本公司 对照公司 上证指数 跳跃次数 累积波动率 跳跃次数 累积波动率 跳跃次数 884 0.5409 679 0.4304 928 变量 Dj.1_2 Dj.1_sh D .1_2 Drv.1_2 D.1_2 均值 228 -43 39 0.1123 0.022