金融高频数据和超高频数据研究综述.docxVIP

金融高频数据和超高频数据研究综述 一、 高频数据和高频数据的概念及其研究的基本模式 (一) 更高频率的金融数据 近年来，随着计算方法和计算方法的发展，数据写入和存储成本显著降低，并可以进行大规模数据库分析。所以,许多科学领域的数据都开始以越来越精细的时间刻度来收集,这也使得对更高频率的金融数据进行研究成为可能。在金融市场中,高频率采集的数据可以分为两类:高频数据(high frequency data)和超高频数据(ultra high frequency data)。高频数据是指以小时、分钟或秒为采集频率的数据。而超高频数据则是指交易过程中实时采集的数据。高频数据和超高频数据两者之间的最大区别是:前者是等时间间隔的,后者的时间间隔是时变的。一般而言,金融市场上的信息是连续的影响证券市场价格运动过程的。数据的离散采集必然会造成信息不同程度的缺失。采集数据频率越高,信息丢失越少;反之,信息丢失越多。 (二) 分析研究动因 从金融高频数据和超高频数据产生至今,对金融高频数据和超高频数据的分析一直是金融研究领域一个备受关注的焦点。其中对金融高频数据进行研究的代表人物是Andersen和2003年诺贝尔经济学奖得主Engle的学生Bollerslev,而超高频时间序列研究的开创性工作是由Engle等人完成的。 对金融高频数据和超高频数据进行分析研究的动因主要可以归结为以下两点: 第一,对金融高频数据和超高频数据本身所具有的特征的关注。金融高频数据和超高频数据除了包括交易价格外,还包括与交易相关的询价和报价、交易数量、交易之间的时间间隔等等。如何从总体上来分析这些数据和具体处理其特殊性,便成为众多金融领域的从业者和研究者所面临的一个富有挑战的课题。 第二,金融高频数据和超高频数据对理解金融市场的微观结构来说相当重要。金融高频数据和超高频数据中包含着大量市场微观结构的信息。目前微观结构理论的研究大多是定性研究,这些理论在多大程度上符合实际,需要实证研究对其进行检验。随着对金融高频数据和超高频数据研究和认识的深化,为检验现有的市场微观结构理论提供了条件。同时在探寻金融市场微观结构的过程中,还可以对现有的经济理论、研究方法和计量模型等进行不断的创新和完善。 二、 共同发展的相关研究 尽管对金融高频数据和超高频数据的分析研究的历史并不长,但是目前的发展状况却着实令人鼓舞。众多研究者对此都表现出了极大的兴趣,分别从不同的角度对金融高频数据和超高频数据进行了探索和研究。在此本文有所侧重地阐述一些具有代表性的研究内容。 (一) 高频数据统计特征 在讨论金融高频数据如何应用时,对数据本身的统计特征也不能忽视。因为统计特征不仅是认识数据的基本依据,也是正确使用数据的首要前提。早期的研究表明,金融高频数据是不稳定的,在较短期间内有厚尾(heavy-tail)趋势。相比较而言,近期对金融高频数据统计特征的研究更为深入和具体。Andersen和Bollerslev的研究发现高频收益数据具有非正态性。随着数据频率的增加,其数据的峰度也是随之增加的,到分钟数据,峰度就已经达到了100以上了。1Andersen和Bollerslev采用高频数据对美国股票市场和外汇市场的日内波动性和长记忆性进行了研究,证明了在这些市场中存在着波动的长记忆性。2Andersen和Bollerslev利用高频数据对日本股票市场进行了研究,通过滤波的方法证明了波动长记忆性的存在。3 (二) 关于日内波动的研究 “日历效应”是指波动、交易量、买卖价差、交易频率等金融变量在日内、周内、月内表现出稳定的和周期性的运动模式。“日历效应”产生的原因主要有: (1)规律性的宏观经济信息发布导致了金融波动周期性的日内“U”型走势; (2)由闭市效应导致交易商投资策略变化引起的。闭市使得投资者不能交易,也不能从证券价格和交易活动中学到相关信息,所以闭市加大了投资者的信息不对称和风险,加大了利用私人信息进行投机交易的需求; (3)行为金融学认为“U”型模式是由于投资者的情绪变化所引起的。 “日历效应”是对金融高频数据的研究中最重要的发现。McInish和Wood利用分钟数据发现日内波动具有“U”型模式4;Admati和Pfleiderer,Brock和Kleidon各自给出了日内“U”型模式的理论解释5;Hedvall对它们进行了比较6; Rahman和Lee等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7; Andersen和Bollerslev系统地分析了“日历效应”,并解释了它产生的原因,通过德国马克对美元的汇率数据拟合了“日历效应”。8Andersen,Bollerslev,Cai利用弹性傅立叶形式回归(Flexible Fourier Fo