高频数据下波动率预测的GARCH模型族比较.docxVIP

高频数据下波动率预测的GARCH模型族比较

一、引言

波动率作为金融资产收益率的条件二阶矩，是现代金融理论体系的核心变量之一，从资产组合构建、期权衍生品定价，到监管框架下的金融机构风险资本计提，都需要对资产的未来波动率做出准确预测。早期的波动率建模大多基于日度、周度甚至月度的低频交易数据，这类数据获取难度低、处理简单，但包含的交易信息有限，往往无法及时捕捉市场波动的快速变化。随着电子交易系统的普及和数据存储技术的发展，逐笔成交、分钟级采样的高频交易数据获取成本大幅降低，这类数据包含了完整的日内交易信息，能够更细致地刻画价格的动态变化过程，为提升波动率预测精度提供了新的可能（Andersen等，2003）。但与此同时，高频数据也存在微观结构噪声突出、跳跃成分显著、波动长记忆性更强等区别于低频数据的典型特征，传统适用于低频场景的波动率模型无法直接适配这些特征，容易出现参数估计有偏、预测精度下降的问题。

作为波动率建模领域应用最广泛的模型族，广义自回归条件异方差类模型自诞生以来，就围绕不同的数据特征和应用场景衍生出了大量扩展形式，从最初的基础模型，到捕捉非对称效应的相关变体、捕捉长记忆性的长记忆变体，再到融合高频已实现测度的实现类模型、高频率驱动模型，以及考虑跳跃成分的跳扩散变体等，形成了一个庞大的模型体系。不同模型在高频场景下的预测表现有何差异、各自的适用边界是什么、实际应用中应当如何