高频数据中的波动率聚集效应计量检验.docxVIP

高频数据中的波动率聚集效应计量检验

一、引言

在现代金融学的研究版图中，市场波动率的动态特征一直是学术界和实务界关注的焦点。传统的金融理论，如有效市场假说和资产定价模型，往往隐含着波动率恒定或随时间缓慢变化的假设，这与金融市场的真实运行情况存在显著偏差。随着金融市场的日益复杂化和电子化交易技术的普及，市场数据的采集频率大幅提升，从传统的日度、周度数据向分钟级甚至秒级的高频数据转变。高频数据不仅包含了更多关于市场供需的微观结构信息，也为研究者深入揭示市场波动率的内在规律提供了前所未有的数据基础。然而，高频数据带来的不仅是信息的丰富，还有计量上的挑战，如微观结构噪声、非同步交易等问题，这要求我们在检验波动率聚集效应时必须采用更为精细和严谨的计量方法。

波动率聚集效应，通常指金融资产的收益率在时间序列上表现出“大起大落”的特征，即较大的波动往往伴随着较大的后续波动，而较小的波动则往往伴随着较小的后续波动。这种现象最早由Engle在1982年提出的自回归条件异方差模型中得到了正式的数学描述和量化检验，随后由Bollerslev（1986）推广为广义自回归条件异方差模型，即GARCH模型。然而，基于低频数据的早期研究在捕捉波动率的瞬时变化和极端风险方面存在局限性。高频数据的出现使得研究者能够更直接地观测到日内波动率的动态演变过程，从而更精确地识别和测量波动率聚集的强度与持续时间。

本文旨在深