高频数据分析与市场微观结构.pptxVIP

研究现状;金融高频数据统计特征的研究;;;金融高频数据的“日历效应”研究;1995年，Hedvall发表文章《Trade concentration hypotheses: an Empirical test of information vs. demand models on the Helsinki Stock Exchange》文章对日内“U”型模式的理论解释进行了比较。 1997年，Andersen和Bollerslev发表文章《Intraday periodicity and Volatility Persistence in Financial Market》，在其研究“日历效应”与波动持续性之间的关系时,发现在对日内周期性的“U”型模式进行滤波处理之后,波动持续性大大的下降。;1998年，Andersen和Bollerslev发表文章《DM-Dollar volatility: Intraday Activity Patterns, Macroeconomic announcements, and Longer run dependencies》，文章系统地分析了“日历效应”,并解释了它产生的原因, 使用德国马克对美元的汇率数据将“日历效应”、重大事件公布效应以及波动持续性三者放在一起来研究,发现“日历效应”对准确计量波动性至关重要;2000年，Andersen, Bollerslev, Cai发表文章《Intraday and interday volatility in the Japanese stock market》，利用弹性傅立叶形式回归(Flexible Fourier Form Regression)对日本股票市场进行了分析,发现由于日本市场有不同于美国市场的午间休市的交易制度,日本股票市场波动呈现日内双“U”型模式。 ;2002年，Rah-man和Lee等发表文章《Intraday return volatility process: evidence from Nasdaq stocks》，文中利用个股交易数据对日内“U”型模式进行了实证研究,并发现交易量、买卖价差、交易频率也存在“U”型模式。 2003年诺贝尔经济学奖得主Granger认为长记忆性很可能是由于外部事件所导致的结构变化而引起的;对金融市场微观结构的研究;基于金融高频数据的“已实现”波动的研究;金融高频数据和超高频数据的建模研究;1998年，Engle和Rusell发表文章《Autoregressive Conditional Duration: A new model for irregularly- spaced transaction data》，在原有的ARCH模型的框架下,用一个标值点过程(marked point process)去刻画随机的交易间隔,不同的标值点过程得到不同的ACD模型。Engle和Rusell利用ACD模型很好的完成了对交易频率的预测。;;;;高频数据和ACD模型;高频数据分析;一、高频数据分析; 我们称这样的数据为超高频数据(ultra—high—frequency data）。 由于超高频数据记录了金融市场的实时交易信息，为理解金融市场微观结构提供了基础和可能，因而超高频数据的研究成为近年来计量经济学领域的热点。 高频金融数据在研究与交易过程和市场微观结构相关的大量问题中都是很重要的。; 可以用来比较不同交易系统在价格发现（price discovery）方面的有效性，还可以用来研究某只特定股票买卖报价的动态性。 在一个指令驱动的股票市场中，还可以用来研究指令动态，更有趣的是可以用来研究“是谁提供了市场的流动性”这样的问题。 然而，高频数据还有一些低频数据中不会出现的独特特征。下面从三个部分来分析高频数据：非同步交易、买卖报价差、交易数据的经验特征。;1、非同步交易; 这样，如果我们假定日收益率序列在24小时里是等间隔的往往是不正确的。实践证明，即使是在真实的收益率序列是前后独立的时候，这种假定可以导致股票收益率可预测性的错误的结论。 对于股票日收益率，非同步交易可以导致 a)股票收益率之间的1步延迟交叉相关 例如考虑股票A和B，假定这两只股票是独立的，并且股票A比股票B的交易频繁。 ; 在某一天接近收盘的时刻出现了一个特定的影响市场的消息，由于股票A的交易更频繁，因此股票A比股票B在同一天显示出这个消息的效应的可能性更高。虽然股票B的效应最终也会出现，但是可能会被延迟到下一个交易日。 如果这种情况发生，则好像是股票A的收益率引导着股票B的收益率。因此，尽管这两只股票是独立的，但是它们的收益率序列可能会显示出显著的1步延迟交叉相关。 ;b)组合收益率的1步