高频波动率预测的异质自回归模型扩展.docxVIP

高频波动率预测的异质自回归模型扩展

一、高频波动率预测与异质自回归模型的基础

（一）高频波动率的定义与预测价值

在金融市场中，波动率是衡量资产价格波动程度的核心指标，直接关系到风险管理、资产定价与投资决策的有效性。相较于传统低频日度数据，高频数据（如分钟级、秒级交易数据）包含了更丰富的市场微观结构信息，能够更精准地捕捉价格波动的瞬时特征，由此计算出的高频波动率也更贴近市场真实的波动状态（Andersenetal.,2003）。

高频波动率的预测价值体现在多个金融场景中：在风险管理领域，准确的波动率预测是计算风险价值（VaR）、预期损失（ES）的核心基础，能够帮助金融机构及时调整风险敞口，避免极端风险事件带来的损失；在资产定价领域，波动率是期权定价模型的关键输入变量，预测精度直接影响期权价格的合理性；在投资组合优化中，基于高频波动率的预测结果，投资者可以动态调整资产配置比例，在收益与风险之间实现更优平衡。正因如此，高频波动率预测一直是金融计量领域的研究热点。

（二）异质自回归模型的核心逻辑与应用局限

异质自回归模型（HAR）是由Corsi于2009年提出的专门用于高频波动率预测的模型，其核心逻辑源于市场参与者的异质性特征（Corsi,2009）。该模型认为，金融市场中存在不同投资期限的参与者：短期交易者（如日内投机者）主要关注小时或日度尺度的波动，中期投资者（如基金经理）聚焦