非高斯状态空间模型下SCD模型估计方法与实证研究.docxVIP

非高斯状态空间模型下SCD模型估计方法与实证研究

一、引言

1.1研究背景与动机

在金融市场中，随着信息技术的飞速发展，高频数据的获取变得愈发容易。高频数据，通常是指以秒、毫秒甚至更短时间间隔记录的金融交易数据，如股票的逐笔成交数据、外汇市场的实时报价等。这些数据呈现出不规则交易间隔、离散取值、日内模式以及强自相关性等特性。与传统的低频时间序列数据相比，高频数据能够捕捉到金融市场瞬息万变的信息，包含了丰富的市场微观结构信息，如买卖价差、交易量的变化等，以及重要的长期日间现象的信息，对于理解金融市场的运行机制、投资者行为以及资产定价等方面具有重要意义。

为了更好地刻画高频数据的特征，学者们提出了多种计量经济模型。其中，随机条件持续期（StochasticConditionalDuration，SCD）模型在对高频数据建模方面展现出独特的优势。SCD模型假设存在一个产生持续期的潜在随机变量，该变量能够捕捉到金融市场上难以直接观察到的随机信息流，从而可以更好地拟合高频超高频金融时间序列特有的统计特征，已被国内外学者证实比自回归条件持续期（AutoregressiveConditionalDuration，ACD）模型具有更好的拟合优度。然而，SCD模型的参数估计一直是一个难题。由于其似然函数中包含不可观测的隐含变量，一般的似然函数方法难以实现准确估计。以往对SCD模