基于逐笔交易数据和全样本不规则采样数据的波动率估计.docxVIP

基于逐笔交易数据和全样本不规则采样数据的波动率估计 1 基于最优采样频率的噪声估计 随着现代金融市场的蓬勃发展和大量新金融产品的出现，证券市场的复杂性变得越来越重要。波动性的估计不仅是资产定价、组合配置和衍生产品设计的基础;而且风险测度离不开对波动性的衡量和预测。伴随高频/超高频数据的出现,已实现波动率(realized volatility,RV)凭借其日内信息含量高、估计样本周期短、计算简便、精度高等优点为学者们所认可。理论上讲,随着采样频率的增加,RV将收敛于积分波动率(integrated volatility,IV)。但由于实际市场高频超高频交易数据中包含大量微观结构噪音,当采样频率过高时,RV将陡增,而非收敛于IV。 根据处理微观结构噪音的方式不同,RV的后续研究大体可以分为两个方向:①通过控制采样频率降低微观结构噪音对RV的影响。Andersen等(2001),Barndorff-Nielsen和Shephard(2002)等学者建议采用5～30分钟的稀疏采样方法来降低微观结构噪音对RV的影响。针对上述方法中采样频率过于随意的缺点,Zhou(1996)通过最小化方差展开式来选择最优采样频率。Bandi和Russell(2006,2008)基于MSE方法给出了最优采样频率的计算方法。Oomen(2005)提供了“已实现”方差估计量MSE的封闭表达式。徐正国、张世英(2005)对已实现波动率进行了改进,并对最优采样频率进行了研究。②将波动率与噪音分离。最优采样频率虽然在一定程度上解决了噪音对波动率测量的干扰,但是该方法仍是一种基于有限样本的波动率估计方法。从统计学角度来讲,舍弃绝大多数样本数据的最优采样频率方法显然不是一种最优的方法。Zhang等(2005)、AI¨t?SahaliaAΙ¨t-Sahalia等(2005)提出了基于全样本的波动率与噪音估计方法。(此类研究中常将噪音的方差简称为噪音,本文仍沿用这一习惯。)从而有效利用了所有样本数据,并利用模拟数据验证了方法的精确性。AI¨t?SahaliaAΙ¨t-Sahalia等(2006)利用Zhang等(2005)提出的二尺度已实现波动率(two scales realized volatility,TSRV)方法对道琼斯30中工业股票指数中的股票日波动率进行了估计。Zhang(2006)提出了多尺度已实现波动率方法,对收敛速度进行了一定的提高。 综观现有研究,国外学者仅局限于分离噪音后的日波动率估计,尚未对更高频率时段的波动率噪音分离进行研究,而国内还鲜有关于波动率与噪音分离的深入探讨,特别是基于逐笔交易数据1的实证研究还没有出现。本文基于Zhang等(2005)的研究方法,首次以中国市场逐笔交易数据为样本,充分利用全样本不规则采样数据验证TSRV方法在中国市场条件下日间波动率与噪音分离估计的适用性和鲁棒性,并针对目前缺乏日内高频波动率与噪音分离研究的现状,将TSRV方法拓展至日内高频的波动率与噪音分离中,从更高频度分析逐笔交易数据所包含的信息,结合RV模型进行对比研究。 2 采用波动率与噪声分离理论框架 2.1 [x,x]t噪声项 假设资产价格过程为St,对数价格Xt=logSt服从dXt=μtdt+σtdWt的Ito过程,其中Wt为标准布朗运动,μt、σ2t分别为价格过程Xt的漂移率和瞬时波动率。时段[0,T]内的观测时点为0=t0,t1,…,tn=T,积分波动率可表示为X,XT=∫t10σ2tdt+∫t2t1σ2tdt+…+∫Ttn-1σ2tdt,定义,即为已实现波动率。根据积分原理易知, 当表示依概率收敛。但由于实际观测价格包含微观结构噪音, [X,X]T并不收敛于积分波动性。为此在对数观测价格Y中引入噪音成分,在ti时刻,有 Yti=Xti+εti(1)Yti=Xti+εti(1) εti为噪音项,满足iid,Eεti=0,var(εti)=Eε2.X为真实价格过程。ε与X过程相互独立。 定义全网格g={t0,t1,…,tn}包含所有的观测点。[·,·]表示过程Z(X或Y)的二次变差, 对任意网格h?g, 有. 定义[Z,Z](all)t=[Z,Z]gt.根据式(1)及相应假设,有[Y,Y](all)T=[X,X](all)T+2[X,ε](all)T+[ε,ε](all)T,[Y,Y](all)T的条件期望可以表示为 E([Y,Y](all)T|X)=[X,X](all)T+2nEε2(2)E([Y,Y]Τ(all)|X)=[X,X]Τ(all)+2nEε2(2) 其中Op表示依概率收敛的同价无穷小,证明参见。式(2)表明在考虑噪音情况下,已实现波动率是[X,X](all)T的有偏估计量。当n较大时,噪音成分2nEε2成为已实现波动率一阶矩的主要部