维普资讯 doc.guandang.net
郭兴义等:超 ) (高频数据分析与建模
2 9
高频数据的计量建模,目前还没有一种被大家普遍认可 的模型框架,如在较低数据建模中的 A C模型一样。就 RH
相对而言,高频数据的建模工作似乎更加难上加难, 超目
前主要研究成果基本都是在最近 5年内的事情。
但理论界还是存在几类研究比较活跃的高频数据模型。 其一为主要针对日历性的模型。 D cr n ta ao ga e l o ( 9 3 19 )为时间纬度是产生日历性的主要原因, 19,9 4认在
二、高频数据分析超 对于象年度、或周等较低频率的数据而言,据的月数采集时刻和其在相应的在计量模型中所代表的时间可以完全一致的。但对于日数据就不太可能了,如每周有比两个星期休假日 (交易数据 )所以上周五交易日的数无,据和下周一的数据实际是相差了两个交易日,同于其不他相邻交易日数据之间的时间间隔。如果象在中国市场上碰上“一”“一”长假,前后交易数据之间间隔五、十等那 时间就相差更大了。可以把这称之为“型时间与实际模
此基础上提出了一种时间变换模型 (ieD f m t
nM d Tm e r ao o— o i e )有原先的物理时间纬度变成一种他们称之为 u时间 l, s刻度下,进行波动率估计。 B lai n o ̄(9 8提在 ert adM r tt a 19 ) 出了一种怪异的随机波动率模型 ( V模型 )这种模型具 S,有类似弱 G R H模型具有的时间聚集性的性质 ( rs A C D ot
adNj a 19,9 6 )同时对市场的信息分布也作了 n i n(9 3 19 ), m 一
种灵活的处理。 Mo n n e rt 2 0 )一步推广 a r aa d B la i( 0 0进 t t了这种模型。在日历性模型中影响最大的要属 A d r n n es o
时间的不一致性”。对于日内数据而言,种不一致性就这
和 B l r e最近几年所作的工作。A d r n a d B l r e o es v l l ne o n oe l s l v s
进一步“化”,使在日内交易数据之间也会出现这恶了即 种不一致性。而对于超高频数据,会产生另外一种时还间的不一致性:时间和交易时间的不一致性”也就是“,
(94 19 )出了用一种 F F回归建模框架 ( orr 19, 95提 F Fu e i H x l F r g s o a e ok,这种框架下估计量假 e b o r r s nf m w r )在 e m eei r
设没有方差,而可以在二步法分析中得到真实的波动从率值。但正如 Pg dUlh(98分析那样,步分析 aa a l nn a 18 )二法对估计量的方差非常敏感。 A dr n ad Bl re n e o n oe l s l v s (98,99进一步修正和拓展了他们的估计方法。 A n 19 b 19 ) n e a 20 )用他们的结果实证分析了香港证券市场情 t l 0 1利 (
说,同一时刻的交易可能会因为交易系统或数据传输等 原因从而在不同的时刻发布出去;不同时刻的交易也而
可能在同一时刻被合并称同一数据被发布。而这些都造成超高频数据的交易不等间隔的随机性,以也可称超所高频数据是一组在随机时刻发生的不等间隔交易数据, 这就构成了超高频数据的首要数据特征。
它的第二大特征在于其数据的取值离散性。一般我们在处理价格过程
况,果相当不错。 B i t l20 )展了他们的结果去效 a e a(00拓 研究在高频数据波动率估计的依存性和非正态性问题。 其二为对 G R H模型的拓展。由于 G R H模型在 AC AC较低频率数据的成功表现,自然让人们考虑如何将它很移植高频数据建模中来。但到目前为止,我们所知这就 方面还没有重大突破性的进展,然也有一些阶段性的当研究成果。 F ae n a o n( 0 0在 D ota d N m n r q ad Zki 20 ) n a rs n  ̄ a
时,是假设其为连续变量,而等价变换成对收益率过都从 程进行考察。但在超高频数据中,般每次的价格变化一都是离散取值的,且象 N S而 Y E市场都显著集中在 18附 1¥ 近 ( a ( 9 6 )显然这就需要一种能够刻画这种价格 H ms 18 ),
离散状态 (r ed ct es的特别计量模型。下面我们将 Pi i e ns) c s e集中从上述两个超高频数据的主要特征入手综述目前已 有的重要计量模型结果。 1随机时间效应与 A D模型 . C对于超高频数据中随机时间效应实证分析主要集中 从两个角度:同步性交易 ( o sn h n u r e和随机非 N ny c r o sTa ) o d
(93 19 )弱 G R H模型的基础上,出了一套弱 19,96的 AC提 G R H模型的估计检验方法,还没有实证的例子。 AC但 D coo la( 9 6 19 )出了 H A C ( e rgn o s ac rge l 19, 9 8提 G R H H t oe e u e G R H, G R H模型的条件异方差项引入时问刻度 A C )在 A C
变换 ( ieD f ao )理技术。但实证中也没有表现 Tm e r t n处 o i m出很强的优越性。 最后就是一些非线形模型。D ns n i Zo (98 ui adBn hu 19 ) 收集了主要的一些参数和非参数的非线形处理方法。这里需要特别提出的是 Z o i出 F一致性的思想。经 h u Bn提典统计学中一致性是指随样本
量无限增大时,计量所统
交易间隔 (t hscD r o )其实这只是一个问题不同 So at u t n, c i a i 的角度看而已。 C p e t l 19 )非同步性交易的实 m a b l e a( 9 7对 l
证分析作了较为详细的描述和总结。一般可认为非同步性交易可以导致较低频数据中: 1一阶滞后横截面相 ()
关;2一阶资产组合收益率序列相关,献可参见 Cm— ()文 a p b1e a(97。随机交易间隔效应是目前比较活跃的领 e t l19 ) 1 域, a n n era i( 9 7) E ly a d O’ r(19 ) Di mod a d V r ha 18、 a e n H ̄a 9 2 e s
具有的一种良好的大样本性质。但如果考虑数据频率的 不断细分而是样本量无限增大 (和一般统计学中增大这样本量存在本质区别!, F一致性是指统计量的性质 )那
是较早涉足这个领域的代表性文献。 Da oda dV r a i n n e e— m r h ( 97将交易随机间隔与市场信息传递联系起来,证 i 18 ) a实表明较长的交易间隔总会与一个坏信息的发布有关。 E— a s yadO’ a 19 )一步认为长的交易间隔还会与无 l n H m(92进 e信息发布有关,时交易的频率也直接与知情交易者的同 数量有关。 E l t l 19, 9 4 19 )论了随机交易 s y a e e a (9 3 19,9 5讨
不会随着数据频率改变而改变。在非参数领域,经网神
络、传算法和 D t Min近邻分析技术等已在高频遗 a n g中 a i 数据分析得到一定的应用。
从上面模型介绍中,们可以看出,我目前高频数据的计量建模还处于初步探索阶段,有很大的研究空间。具

郭兴义等 :超)( 高频 数据分析与 建模 2 9 高频数据的计 量 建模 , 目前 还没有一种被大家普遍认可 的模型框架 ,如 在较低 数据 建模 中的AC模 型一...
第十一章 (超)高频数据的建模与 分析简介 ? 近年来,随着对金融市场微观结构研究的深入,人们对日内金融数 据的时间序列研究产生了极大的兴趣。日内金融数据通常分为...
(超)高频数据的建模与分析简介 ? 近年来,随着对金融市场微观结构研究的深入,人们对日内金融数 据的时间序列研究产生了极大的兴趣。日内金融数据通常分为两类, 一类...
(超) 高频数据分析与建模[J]. 统计研究. 2002(11): 28-31. ? [3] 唐勇. 基于高频数据的金融市场分析 [D]. 天津: 天津大学, 2007. 时间序列总体分析...
第十一章 (超)高频数据的建模与分第十一章 (超)高频数据的建模与分隐藏>> (超)高频数据的建模与分析简介近年来,随着对金融市场微观结构研究的深入,人们对日内金...
金融计量学与(超)高频数据分析_金融/投资_经管营销_专业资料。金融、投资文献金融...Bollerslev(2001) 认为这几种估计方法将是以后金融计量学(特别是高频数据建模...
基于超高频数据的股票流动性度量建模分析与研究_经管营销_专业资料 暂无评价0人阅读0次下载举报文档 基于超高频数据的股票流动性度量建模分析与研究_经管营销_...
那么在3 6个月后一定能 获得 相 对利 息率而言 的超 额利润 .文献 〔4...金融市场高频数据分析的建模进展 6 5 与者 的需 要. 金 融计 量学 的特 ...
何龙灿.(超)高频数据分析与建模.统计研究,2002,(11):28—31〔13〕R.EEngle.AsgerLunde.Trades andQuotes:VA BivariatePointProcess.Universityof CaliforniaatS...
统计建模与数据分析_数学_自然科学_专业资料。统计建模与数据分析 主讲人:李婷婷 西南大学数学与统计学院 ? 参考书籍: 《复杂数据统计方法——基于R的应用》,吴喜之...
热门文档