acd模型的新发展及其在中国的应用.docxVIP

acd模型的新发展及其在中国的应用 1 个研究领域,个 在金融领域，高频数据是指以时间、分钟或秒为采集频率的数据。超高频数据则是指交易过程中实时采集的数据。近年来,对金融高频数据和超高频数据的研究已经成为了金融计量学的一个全新的研究领域。高频数据具有与以往研究中的的金融数据不同的特点,给金融计量学提出了新的挑战,另外,金融高频数据和超高频数据对理解金融市场的微观结构是相当重要的。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。 2 超高频数据的特性 2.1 金融计量学和金融哲学对价格的能耗模型 正如前面所讨论那样,现实的市场机制很难满足对交易变量的连续性假设, 比如NYSE股价最小变动单位为1/16$, 这是从1987年股灾后由1/8$调整后一直维持到现在,中国沪深两市的最小变动单位是0.01￥。显然这就使得股价变动不可能以比最小变动幅度更低的间隔进行变动。这必然会造成股价的离散取值。价格离散取值同时对金融计量学也是一个挑战,它意味着以前所有依赖连续变量的模型结果都不适合描述这一现象。目前这方面的工作似乎没有太大的进展,因为到目前为止据我们所知单单对离散取值的价格过程还没有很好的计量模型刻画。值得一提的有这样几个模型。其一是Harris(1990)等提出的Rounding Distance模型,即把离散取值的价格作为原先连续模型的一个上下限估计。其二是Hausman等(1992)提出用Ordered probit 模型来刻画离散价格过程,显然这种模型在一些变动幅度较大的情况下根本无法实现。但由于这方面的计量工作进展缓慢,以至于现在所有提及离散取值价格过程建模问题研究只能重提他们的工作。McCulloch和Tsay(2001)在Rydberg和Shephard(1998)工作的基础上提出了一种新的价格分解模型,其基本思想类似于将时序分析中季节分解与跳模型结合来刻画离散取值的特性。但这种模型的实证结果目前还不知道。 2.2 日内金融数据的周期运动模式 “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。对于国外的许多股票交易市场,日内的金融数据存在很强的日内或者是周期效应,价格的波动率、交易的频率、交易量和价差在日内都存在着显著的“U”型日内效应。正确的计量高频数据的“日历效应”对研究日内波动的持续性至关重要。 2.3 市场微观结构 股票市场中交易的到达是随机的, 即等待下一次交易的时间是随机的, 这种数据的时间间隔是不等距的。Glosten和Milgrom(1985)、 Diamond和Verrecchia(1987)、O’Hara(1995)、Hasbrouck(1999)等在研究市场微观结构时指出,分析交易发生、价格变化和买卖指令的等待时间,对了解金融市场的私人和公共信息具有关键性的作用。Hansbrouck(1999)研究随机交易间隔对买卖价差形成的长期影响和短期效应。在此基础上,Engle和Dufour(2000)进一步讨论随机交易间隔在整个价格形成过程中的效应以及在价格对交易进行影响过程中的作用。Engle和Russell(1998)首次提出了ACD模型,其建模思想是在原有ARCH模型的框架下,用一个标值点过程去刻画随机交易间隔, 而不同的点过程假设自然就得到了不同的ACD模型。Engle和Russell(1997)还用ACD模型预测了外汇交易价格询价的变化频率。Engle和Large(1997)将ACD模型的思想和技术用于测量和预测市场的流动性。Engle和Lunde(1998)提出了引入价格和交易量的二元ACD模型。Engle和Russell(1998)的研究显示,标准的ACD模型用于金融数据的分析,容易导致在极端间隔(即非常长或者非常短的间隔)后的过度反应,他们试图解决模型对冲击的非对称反应问题。因此,在市场微观结构研究中使用ACD模型非常有益处。 近年来, 很多计量学家接受了Engle的ACD建模思想, 因为Engle利用ACD模型处理高频数据获得了良好的效果。Ghysels和Jasiak(1998)、 Engle(2000)、Grammig和Wellner(2002)将ACD模型与GARCH模型结合, 提出了ACD-GARCH模型。Bauwens和Veredas(1999)提出了SVD(stochastic volatility duration)模型,即依靠一个潜在