基于高频超高频数据的均衡价格波动性研究.docxVIP

基于高频超高频数据的均衡价格波动性研究 0 小波分析方法 波动率是衍生产品价格、投资组合建设和金融市场风险管理的重要变量。波动率的精确估计一直是金融研究领域的研究重点。随着高频数据的广泛应用，anderson等人提出了基于高频数据的“rv”波动率的概念。这种新的计量方法提取了日内最丰富的信息，这需要显著的计算周期，这可以提高计算的便利性和精度。 然而,“已实现”波动率的理论基础受到了高频/超高频数据的严峻挑战.Ait-Sahalia等的研究表明,实际证券市场中的高频/超高频数据包含了大量的市场微观结构噪音,如交易的买卖价跃动(bid-ask bounce)、不同步交易 (asynchronous trading)、流动性效应 (liquidity effects)和闭市效应 (market closing effects)等等,它们将引起资产交易价格偏离均衡价格进而导致相关指标偏离信息的真实反映.资产交易价格与均衡价格的不一致导致“已实现”波动率难以准确衡量资产均衡价格的波动性. 为了降低市场微观结构噪音的干扰,改善均衡价格波动性的估计精度,Zhang 等在市场微观结构噪音服从MA(1)结构的前提条件下,利用子采样的方法得到了均衡价格波动性的“二维尺度”估计量,随后Zhang等拓展了子采样的方法,将“二维尺度”延伸至“多维尺度”.“多维尺度”均衡价格波动性的估计量得到了比较好的收敛率,并且对于交易时间的噪音相依性是稳健的.Bandi和Russell进一步使用超高频和低频的交易价格数据分别估计市场微观结构噪音与均衡价格过程的波动率,然后根据这两种估计的波动率来平衡测量误差和市场微观结构误差,以确定最优的采样频率.但是,上述研究都是在不考虑金融资产价格“跳跃”特征的前提条件下进行的,而Barndorff-Nielsen和Shephard的研究表明不考虑金融资产价格的跳跃会降低波动性的估计精度,因此,在市场微观结构噪音和跳跃同时存在的条件下如何对波动性进行准确估计还有待于深入研究. 小波分析是一种窗口的大小固定、形状可变的时频局部化信号处理方法,即在低频部分具有较高的频率分辨率和较低的时间分辨率,在高频部分具有较高的时间分辨率和较低的频率分辨率.因此,小波变换既可以处理平稳信号,还适合处理非平稳信号、突变信号、具有孤立奇异性的信号和自适应信号.近年来,小波分析已引入到经济领域并得到广泛应用.如Wang使用小波检测了美国1953年到1991年月股回报的跃点,Ramsey和Zhang、 Percival和Gencay将其引入汇率波动建模等金融时间序列分析领域,取得了很好的效果.在国内,樊智、张世英,徐梅、张世英,许启发等也开始将小波分析应用于金融波动性建模及相关应用领域的研究,以解决传统计量方法所无法解决的问题.这些学者的研究表明小波分析在经济领域中的应用是有效和可行的. 本文将时间序列变点的小波分析方法应用于波动性的测量,利用小波变换数学显微镜的特点和频域带通的特征识别金融资产交易价格中的跳跃,进而使用仅含微观结构噪音的调整数据估计了积分波动性,提高了均衡价格波动性的估计精度.研究结果发现小波分析方法能够准确识别我国股市的价格跳跃,且跳跃变差与积分波动性的比值很大,忽视跳跃的存在将会引起波动性的有偏估计,表明在金融市场中应当使用均衡价格波动性进行风险管理和资产配置. 根据Williams,凡满足如下容许性条件的函数ψ(t)称为小波母函数,对小波母函数作伸缩和平移,得 ψj,k(t)=2j/2ψ(2jt-k),j=1,2,…,k=1,…,2j(1) 小波变换的一个重要特征是它能表征信号的奇异性.例如,如果函数f在某点是指数αHolder连续的,则靠近该点在位置k2-j处的小波系数ψj,k(t)衰减阶数为2-j(α+1/2),而当函数f在某点有一个跳跃时,那么靠近该点在位置k2-j处小波系数ψj,k(t)的上界是2-j/2乘以一个正数.利用小波变换的这个特征就可以将跳跃从资产交易价格中分离进而分别估计跳跃变差与积分波动性. 高频价格采样数据Yt可以分解为均衡价格Xt与市场微观结构噪音εt之和,即 Yt=Xt+εtt∈ (2) 其中,Yt和Xt均为对数价格,ti=i/n,i=0,…,n,εt～N(0,η2),εt具有有限四阶矩且独立于Xt. 由于金融资产均衡价格具有跳跃的特征,因而均衡价格Xt可以表示为 Xt=∫t0μsds+∫t0σsdWs+∑l=1NtLl(3)Xt=∫0tμsds+∫0tσsdWs+∑l=1ΝtLl(3) 其中,Wt为标准的布朗运动,Nt为时刻t内X的累计跳跃数量,Ll为跳跃规模. 进一步有均衡价格过程X的二次变差为 [X,X]t=∫t0σ2sd