中国股市微观结构噪音特性及其影响因素——基于逐笔交易数据

基于中国股市逐笔交易数据,有效利用全样本不规则采样数据,对日内高频微观结构噪音的估计、特性及影响因素进行了研究。结果显示噪音分布具有尖峰厚尾的特点,日内模式呈现L型。信息非对称程度和流动性作为影响噪音的两个最重要因素,分别与噪音呈正相关和负相关关系。价差由于同时包含了信息非对称程度和流动性两方面的信息,对噪音有近60%的解释能力。     

基于波动率测量误差的波动率预测模型

本文研究了一种基于波动率测量误差的波动率预测模型,并做了非线性扩展,期望改进预测效果.考虑到文献中关于波动率可能长记忆性和非线性并存的观点,本文以具有长记忆特征的HAR(heterogeneous autoregressive)模型为基础,加入波动率测量误差后模型持续性有所提高,结合非线性的时变参数模型则达到结构变化和减弱异方差的效果.本文用2652天的沪深300高频数据计算的已实现极差波动率来验证模型效果.固定参数下,在HAR型模型中加入测量误差作为调节变量可以较显著地改善样本外预测效果.时变参数下,加入测量误差的HARQ型模型预测效果大多优于对应的HAR型模型.时变参数模型总体上可以改善固定参数模型的预测效果,尤其在预测期较长的情况下改善均是显著的.     

中国股市已实现波动率的跳跃行为研究

以二次幂变差的测量为理论基础,研究了上证综指已实现波动率中的跳跃行为.将已实现波动率分解为连续样本路径方差争离散跳跃方差,研究了跳跃方差序列的统计特征,并且应用HAR-RV-CJ模型对上证综指的已实现波动率进行预测.研究结果发现,几乎所有日、周和月已实现波动率的可预测性都来自连续样本路径方差,表明二次变差中的连续样本路径成分是中国股市已实现波动率预报的决定因素.     

长记忆随机波动模型的估计与波动率预测——基于中国股市高频数据的研究

为了有效捕捉中国股市波动率的长记忆性,提高远期波动率的预测精度,本文基于中国股市高频数据建立了长记忆随机波动模型,检验高频数据中时变的“日历效应”成分的频率,有效地对“日历效应”进行滤波。使用频域内拟极大似然方法估计LMSV模型参数,为了提高计算效率应用混沌优化算法进行最优搜索。对比了高频数据直接建模和已实现波动率方法建模的预测结果发现,通过高频数据估计的LMSV模型可以很好保留高频数据中所包含的信息量,克服信息丢失问题,预测结果要优于已实现波动率方法建模预测的结果。     

高频环境下沪深300股指期货波动测度——基于已实现波动及其改进方法

作为中国唯一上市交易的金融期货产品,沪深300股指期货在资本市场价格发现和风险防范过程中扮演重要角色, 科学准确地测度其收益波动对充分实现股指期货避险功能具有重要理论和现实价值.在日内高频信息环境下分别采用经典已实现波动率、已实现极差波动率和已实现双幂波动率等三类方法对沪深300股指期货的收益波动进行测度,通过样本内预测误差指标对上述 方法的测度性能进行比较. 实证结果表明:沪深300股指期货在上市交易后表现出由剧烈波动 到渐趋平稳的波动特征,已实现波动的改进方法在沪深300股指期货收益波动的测度性能上具有较为明显的优越性.     

中国股市高频波动率跳跃的特征分析

采用修正的已实现门阈多次幂变差实证分析了中国股市高频波动率跳跃的特征,并运用自回归条件持续期模型、自回归条件风险模型以及扩展的自回归条件风险模型刻画了跳跃持续期的特征.实证研究表明,中国股市高频波动率发生显著跳跃的比例较高,并且跳跃具有聚集的特征,跳跃的幅度、强度以及跳跃幅度的分布都具有时变性,而跳跃对高频波动率的贡献却具有相对稳定性;在样本期,中国股市高频波动率跳跃表现出较强的正自相关性,且跳跃的持续期存在较强的长记忆性和周日历效应.     

基于跳跃、好坏波动率与百度指数的股指期货波动率预测

本文首次将百度指数引入HAR波动建模框架,基于跳跃、好坏波动率与百度指数提出HAR改进模型,实证研究揭示股指期货波动运行规律,并通过MCS检验分析预测模型优劣.HAR建模考察连续-跳跃波动、好-坏波动率的两种已实现波动分解.为了降低波动率估计偏差,基于序列相关法仿真统计最优抽样频率,利用已实现核修正的ADS检测识别跳跃,进一步修正好坏波动率与符号跳跃.基于沪深300股指期货的样本内外预测表明:连续波动比跳跃波动对未来已实现波动的预测贡献更大;好坏波动率具有不对称的波动冲击,好(坏)波动率抑制(加剧)未来波动性;符号跳跃对未来波动具有负向冲击;好坏波动率分解优于连续与跳跃波动分解;百度指数能显著提升HAR波动建模的样本内外预测能力;MCS检验证实,考虑符号跳跃与百度指数的HAR-RV-SJ-BI模型表现最佳.研究结论对认识股指期货波动规律和市场风险具有意义.     

基于混频数据驱动神经网络模型的波动率预测研究

金融市场价值波动与经济政策等宏观环境密切相关,其影响要素多源,价值波动往往表现出复杂的统计特征与变化规律,现有的波动率预测模型难以有效地预测其价值波动规律.面对价值波动中风险要素多源、频率多样、关系非线性的潜在挑战,考虑到深度学习框架下CNN和LSTM的计算优势,本文提出了基于混频数据反向抽样的CNN-LSTM的波动预测模型:MDNN (mixed frequency data-driven neural network),该模型既有效提取多元时序数据的时空特征、又充分利用混频信息,使其预测能力与泛化能力得到有效提升.选取常见的供应链金融质押物铜、铝和锌作为研究对象,样本外预测结果表明:相比于基准模型,MDNN更加准确、有效地预测出质押物已实现波动率,其稳健性检验也表明实证结论的可靠性.     

高频金融数据的两种波动率计算方法比较

高频金融数据的波动率计算是近年来国内外的研究热点,"已实现"波动(RV)是基于高频数据的全新波动率度量方法,最近又出现了"已实现"双幂次变差(RBV)的波动率计算方法.针对这两个高频金融波动率计算的热点问题进行了比较,指出RBV在定义形式上比RV所包含的内容更加广泛,除了具有稳健性,还证明了在两种条件下,RBV比RV更有效.     

已实现波动和已实现极差波动的比较研究

高频金融时间序列的分析与建模是金融计量学的一个崭新的研究领域,已实现波动和已实现极差波动是针对高频金融时间序列而开发的两种全新的波动率度量方法.首先证明了在理想状态下,已实现极差波动比已实现波动是更有效的波动估计量,然后基于渐近关系讨论了高频数据最优抽样频率问题.在模拟试验的基础上,比较了微观结构效应对两种波动率度量方法的影响程度.最后,通过实证分析对上证综指的高频数据给出一个最优抽样频率.     

期权交易量能预测波动率吗——来自上证50ETF期权的证据

本文基于上证50ETF期权日交易量,按在值程度构建虚值,平值和实值期权的交易量占比,测试各类期权交易对上证50ETF已实现波动率的预测能力.结果发现虚值期权能显著提升HAR, HAR-CJ模型的波动率预测效果.进一步研究发现,虚值期权中的信息含量主要来自于深度虚值期权,非深度虚值期权对波动率预测效果较弱.相比隐含波动率,深度虚值期权对波动率的样本内拟合和样本外预测效果都更佳.深度虚值期权中,看涨期权的信息含量大于看跌期权,且看涨期权交易量与未来波动率负相关,看跌期权交易量与未来波动率正相关.这些结果表明,信息交易者倾向于使用深度虚值期权交易,而深度虚值看跌和看涨期权与未来波动率的不同关联性恰好与杠杆效应一致.本文的发现可用于改进现有的波动率预测模型,还将有助于完善监管者的风控指标体系.     

多维高频数据的"已实现"波动建模研究

金融市场高频数据的分析与建模是金融计量学一个全新的研究领域.把基于一维高频数据的“已实现”波动率扩展到多维高频数据情形,给出“已实现”协方差阵,并给出了协方差阵的极限性质,用以刻画多维金融变量的波动率和相关性.研究了基于上证综指和深圳成份指数高频数据的“已实现”协方差阵的特性,最后针对它的长记忆性建立了FIVAR模型,该模型刻画了上证综指和深圳成份指数各自的波动性和之间的相关性.研究发现,“已实现”波动和“已实现”协方差取对数后具有良好的正态分布特性,相同的长记忆性.针对“已实现”协方差阵建立的FIVAR模型为进一步研究波动的协同持续性提供了基础.     

基于结构转换PTTGARCH模型沪深股市波动率的估计

考虑股市收益率波动存在结构转换特征以及描述波动非线性和非对称特征的幂变换门限GARCH(PTTGARCH)模型,本文提出结构转换PTTGARCH模型.选取沪深300指数日对数收益率作为研究对象,将股指的波动变化分为下跌、上涨和盘整三个状态:选用2013年7月1日至2015年12月17日以及2015年12月18日至2016年1月8日作为样本内和样本外时期:分别应用GARCH,EGARCH,APGARCH,PTTGARCH模型及具有结构转换的相应模型对沪深股市波动率进行估计和预测,利用高频数据得到的已实现波动率作为股指实际波动率的估计.采用平均平方误差(MSE_1,MSE_2),平均绝对误差(MAE_1,MAE_2)对估计与预测的波动率进行评价,并采用模型信度集(MCS)检验比较各模型估计和预测能力.研究结果表明:单状态和具有马尔可夫结构转换PTTGARCH模型在样本内和样本外的拟合和预测结果均更为准确.     

基于已实现波动率的上证综指异常时序检测

时间序列模式识别、异常检测在金融领域有着广泛应用,能够为金融决策提供重要参考信息.在大数据场景下的异常检测中,为满足对计算效率、存储空间的要求,通常对时序数据利用近似表示进行降维.但在高频金融领域,已有的近似方法会丢失大量波动信息,而微观结构噪声、市场波动信息对高频金融分析至关重要.因此,本文在传统方法基础上,结合基于变点检测的时序近似表示和已实现波动率,通过聚类识别表现异常的时间序列.基于上证综指数据的实证分析表明,引入已实现波动率能够进一步优化聚类质量,准确识别波动异常的时间序列,为实际金融分析提供有价值的决策支持.     

中国股市波动率的广义周内特征及其预测模型

本文将Realized GARCH模型推广至基于周历日的时变参数情形以刻画杠杆和溢出效应的周内特征并避免传统GARCH类模型在拟合长记忆性与周内效应时两者相互干扰问题.将新模型应用于上海股票市场2001至2013数据的分析发现:我国股市波动率存在时变的杠杆效应和溢出效应.实证结果表明:新模型无论在样本外的预测能力还是在样本内的拟合度上都明显优于现有模型.     

基于高频极值数据的波动率建模与预测

本文系统性地研究了三种类别的高频极值数据下波动率的建模与预测,即分别基于高频收盘价数据、高频高低价数据、以及高频"开高低收"数据,讨论并完善了相应的连续价格假设下的估计量和跳跃价格假设下的估计量的理论性质,并将基于高频极值数据的各类估计方法统一地扩展为相应的动态预测模型,通过对上证指数及其他几种主要指数的高频数据进行实证分析,揭示出充分地利用高频极值数据信息可以显著地提高波动率的模型拟合效果和样本外动态预测能力.     

基于TVS-HAR模型的农产品期货市场已实现波动率的预测研究

本文以4种农产品期货的高频数据为样本,在实证考察预测因子对农产品期货已实现波动率的预测能力基础上,通过假定时变HAR模型的参数遵循独立正态-伽马自回归过程先验分布,构建了具有时变稀疏度的HAR模型(TVS-HAR),以同时考虑预测模型参数的时变性和预测模型的时变性,并采用MCS检验评价和比较该模型和其他HAR族模型的样本外预测性能.实证结果表明:TVS-HAR模型能较好地识别和拟合潜在预测因子对农产品期货市场波动率的预测的重要性和影响程度的时变性;跳跃成分对我国农产品期货市场已实现波动率具有一定的预测能力;相对于其他几类HAR模型,TVS-HAR模型的预测性能最好.     

基于高频极值数据的波动率建模与预测

本文系统性地研究了三种类别的高频极值数据下波动率的建模与预测，即分别基于高频收盘价数据、高频高低价数据、以及高频"开高低收"数据，讨论并完善了相应的连续价格假设下的估计量和跳跃价格假设下的估计量的理论性质，并将基于高频极值数据的各类估计方法统一地扩展为相应的动态预测模型，通过对上证指数及其他几种主要指数的高频数据进行实证分析，揭示出充分地利用高频极值数据信息可以显著地提高波动率的模型拟合效果和样本外动态预测能力.     

基于交错取样门限多幂次变差的中国股市波动细分及非对称性建模

以多幂次变差的测量为理论基础,考虑到有限样本规模的局限以及市场微观结构噪声的影响,提出交错取样门限多幂次变差方法并将其用于中国股市高频已实现波动的细分,区分出连续波动与跳跃波动。根据已实现波动、连续波动与跳跃波动的不同统计特征,分别为已实现波动与连续波动建立LHAR-V-CJ模型,为跳跃波动强度建立LHAR-SJ-C模型,为跳跃波动间隔时间建立LACH-DJ-C模型,引入异质非对称性。使用沪深300指数的实证表明,已实现波动及连续波动与跳跃强度、跳跃间隔时间呈现出不同的非对称性特征,且本文提出的各非对称性模型较现有模型均有较明显的拟合能力改进。     

基于跳跃滤波和时变参数估计的中国股市微观结构研究

为了更为有效地探究微观市场结构对股票价格的影响,本文在状态空间模型框架下,同时将交易方向、带方向的交易量、交易间隔、微观噪声以及跳跃因素引入状态方程和观测方程中,建立全面的市场微观结构模型,以反映各变量对交易价格序列产生的暂时性和永久性影响.然后,在采用基于粒子滤波的非参数离群点检测方法检测跳跃并对跳跃进行滤波的基础上,运用贝叶斯最小二乘方法对微观结构模型系数、波动率以及状态变量进行实时更新和估计,在此基础上分析跳跃日度分布、日内分布、个股跳跃和共同跳跃特征,并同时判断不同交易方向、交易量的订单对价格产生的影响.最后选取2015年股灾期间、沪市股票的逐笔数据作为研究样本进行实证研究.实证结果显示:我国股票高频时间序列跳跃和共同跳跃均存在日内季节性,且跳跃频率和大小与市场信息密切相关;买卖订单对交易价格及股票价值的影响并不是完全对称的,交易价格对于微观结构的敏感度、微观结构噪声也随市场波动而发生变化,熊市中都相对更高;考虑跳跃滤波并对参数进行实时估计可以提高价格对于交易的敏感度,能更好地捕捉市场微观结构在价格发现中的作用.