高频金融时间序列模型化研究综述.docxVIP

高频金融时间序列模型化研究综述 1 高频数据与非高频金融时间序列 信息技术的发展提高了数据采集和处理方法的进步。除了从年、月、周、日收集的金融数据外，人们变得越来越容易获得在较小的时间间隔内（例如，小时、分钟、秒等）获得的观测数据。通常，从小时、分钟或秒中收集的数据称为高频数据，而在流程中实时交易的数据称为高频数据。这些数据的获取对于研究市场的微观结构和运行机制具有重要的理论和实践意义。一般来说，基于分散采集数据序列的信息将不可避免地导致信息损失。数据频率越低，相关信息的损失越多。因此，高频数据比低频数据更多地包括市场微观结构和太阳现象信息。 在金融低频时间序列的波动性度量研究领域,ARCH模型及其扩展形式和随机波动(SV)模型及其扩展形式是两类非常成功的方法.而研究结果表明它们并不适合直接用于高频金融时间序列的建模.例如,金融时间序列的波动率的驱动因素是GARCH等计量模型难以揭示的,而通过对高频数据的分析,人们发现许多市场的微观结构因素和一些交易者的行为因素才是使价格产生波动的真正原因,如实时交易的不等间隔、交易规则和指令流等.这些发现无疑具有重要的研究价值.考虑到高频数据和超高频金融数据之间在模型分析上质的区别,下面我们将把它们分开讨论. 2 高频交易时长数据的时序特征 (超)高频金融时间序列的生成以及采集机制决定了其独有的特征,主要包括以下4个方面: 1)超高频的交易的时间记录间隔往往不是均等的.金融市场的交易是在随机的时点上进行的,因而间隔不是均等的.建立在等时间间隔观测基础上的传统计量经济模型(如ARCH模型和SV模型)将无法精确描述这种非等间隔的时间序列的性质.而非等间隔时序也突出了交易之间的持续时间的重要性. 2)交易记录时间的不一致性.随着交易记录的时间刻度的精确化和机械化,同一时间的交易可能会因为交易系统或数据传输的原因在不同时刻发布并记录;而不同时刻的交易则有可能在同一时刻被合并发布,高频数据的时间间隔的随机性因而增加. 3)离散取值.在时间刻度趋于连续化的高频数据记录中,因为交易机制的原因,所记录的价格数据却是离散观测值,如中国沪深股市的最小价格变动单位是分,美国NYSE股价变动最小单位是1/8美元. 4)海量数据.高频数据的记录中,在交易活跃的时段会有多笔交易同时发生,它们往往伴随着不同的价格变化,而以秒、分来计量的交易时间则显著的延长了时间序列的长度. 除拥有与日度、周度或者月度等低频金融时间序列相似的特征如厚尾、非正态、波动率聚集等之外,高频金融时间序列也表现出一些典型的统计特征,主要表现如下: 1)“日历效应”(Calendar Effects).在成熟市场中,波动率、交易量、买卖价差、交易频率等金融指标在一个交易日内表现出稳定的、周期性的U型运动模式,即一天中早上、下午开市、闭市时高,中午时间低. 2)时间序列峰度递增性.Anderson和Bollerslev在1998年发现随着数据频率的增加,时间序列的峰度也随之增加,当数据频率取到分钟数据时,峰度就已超过100. 3)价格序列一阶负相关性.Low和Muthuswamy在1996年用5分钟频率的数据验证序列的负相关性,并进一步证明了这种相关性具有非线性的特征. 4)波动率具有杠杆效应.正收益对波动率的影响弱于负收益的影响. 5)波动率的斜偏性.Anderson等在2001年通过研究Dow Jones股票日收益波动率和相关系数时发现:已实现的波动率和协方差的非条件分布高度右偏,已实现波动率和相关系数呈现很强的时间依赖性并有移动到一起的趋势. 6)收益率波动与平均交易量具有正相关性.Xu等在1999年研究表明:收益波动率与平均交易量的正相关性在交易活跃的股票上表现得很突出. 3 高数据建模研究方法 在高频金融时间序列的研究领域中,形成了许多处理高频数据的分析模型,其中几类模型由于其代表性而成为该领域研究的重点. 3.1 基于fff回归模型的评估 除Dacorogna等在1994年提出的时间变换模型(Time Deformation Models)和Beltratti与Morana在1998年提出了的随机波动率模型(SV模型)外,在日历性模型中影响最大的要属Anderson和Bollerslev的一系列工作.他们1994年提出了用一种FFF回归建模框架(Fourier Flexible Form Regression Framework),在这种框架下估计量假设没有方差,从而可以在二步法分析中得到真实的波动率值.为改进二步分析法对估计量的方差的敏感性,他们于1998年进一步修正和拓展了此估计方法.Bai等人则在2000年拓展了他们的结果去研究在高频数据波动率估计的依存性和非正态性问题.Ann等人在2001年利用此方法实证分析了香港证券市场,取得了