论文部分内容阅读
金融市场在整个社会结构体系中的重要地位日渐凸显,与金融市场相关的科学技术和研究理论也得到了更多的关注和投入。随着近年来金融市场交易量的爆炸式增长以及计算机技术在金融领域应用的深入,金融高频数据的获取和存储变得可能并且方便。因此金融高频数据的分析和研究成为目前金融工程领域内研究的重点问题,而针对高频数据提出的非参数波动测度方法无疑成为最受关注的课题之一。 本文首先阐述了非参数波动方法的理论基础和优势,介绍了4个常见的非参数波动方法,并选取比较基础的已实现波动和已实现双幂变差方法从理论上推导了其在有效性这一判断维度上的优劣。并使用中国深证成指的分钟成交价数据,证实了理论比较结果。从模型对未来数据的预测能力角度,本文构造了一组模型,自变量包含已实现波动、已实现双幂变差和已实现绝对收益三个波动统计量各自的对数、平方和平方根形式,分别对给定规则下的实际日波动率回归,并从相关性和均方误差两个角度比较,得出最优回归量。通过以上分析发现,相对于已实现波动,已实现双幂变差是更稳健也更有效的估计量,对波动率的估计更准确。从预测角度来看,已实现绝对收益是回归效果最好的波动统计量。 其次,本文基于以上得到的不同的波动统计量构成的时间序列,讨论了多重分形特征在高频金融序列中的存在,变化趋势和产生原因。实证分析仍是基于深证成指数据,分别对单一尺度和两尺度抽样方法下的已实现波动和已实现双幂变差共四个序列,分析了多重分形特的存在、强度和随抽样间隔的变化趋势。由实证分析结果可看出,多重分形特征明显存在于四个不同的时间序列中,且不会因抽样间隔的改变而消失,但随抽样间隔的增大,多重分形的强度有减弱趋势。比较来看,已实现双幂变差的两个序列,比同样抽样方法的已实现波动序列的多重分形强度要大。在对影响多重分形特征因素的研究过程中,我们通过乱序重排方法消除长记忆性,通过傅里叶变换消除厚尾分布特征,构造的两个新序列的多重分形强度与原序列相比均显著降低,可知长记忆性和厚尾分布都是印象多重分形的重要原因。 在为以上研究过程提供抽样方法的过程中,本文讨论了抽样间隔这一对波动估计量的优劣有重要影响的因素。在非参数波动中,抽样间隔的选取是需要在信息浪费和包含扰乱信息较多两者之间权衡。为解决此问题,本文提及了两种方法。一种是混合数据抽样方法,它允许估计量的等式两端由不同抽样频率的数据构成,减少了统计量对抽样频率的限制,能够有侧重地利用不同频率的数据。另一种是两尺度抽样方法,它解决了此前两抽样点间的数据信息被浪费这一问题,在给定频率下采用滚动计算再平均的方式,充分利用了数据,也降低了波动测度对抽样点位置的依赖,减小了不确定性。