高频数据下已实现波动率（RealizedVolatility）的预测模型比较.docxVIP

高频数据下已实现波动率（RealizedVolatility）的预测模型比较

一、引言

随着金融市场交易电子化程度的不断提升，高频数据的获取与分析逐渐成为金融研究与实务领域的核心内容之一。与传统日度、月度数据相比，高频数据能够更细致地捕捉市场交易的瞬间波动，为波动率的准确估计与预测提供了更丰富的信息基础。已实现波动率作为基于高频数据计算得到的波动率指标，凭借其无模型、估计精度高的优势，逐渐取代传统的波动率估计方法，成为金融市场波动率研究的核心工具（Andersen等，2003）。

波动率预测不仅是资产定价、风险管理、投资组合构建等金融实务的核心环节，也是金融理论研究的重要课题。不同的预测模型在捕捉波动率特征、适应市场环境等方面存在显著差异，因此对高频数据下已实现波动率的预测模型进行系统比较，能够为研究者与实务工作者选择合适的模型提供科学依据。近年来，随着计量经济学与机器学习技术的融合发展，波动率预测模型不断推陈出新，从传统的时间序列模型到异质自回归类模型，再到新兴的机器学习模型，各类模型的性能优劣、适用场景成为学界关注的焦点。本文将系统梳理高频数据下已实现波动率的主要预测模型，从理论基础、模型特征、预测性能等多个维度进行比较分析，并结合实证研究结论探讨不同模型的适用场景与未来发展方向。

二、高频数据与已实现波动率的核心内涵

（一）高频数据的特征与挑战

高频数据通常指日内间隔较短的交