论文部分内容阅读
在大数据金融的背景下,人们越来越多地利用数据做决策,证券市场的交易行为从来都是分秒必争,人们为了追求资本而制定了各种交易策略,而利润的背后必定是风险的存在。波动率作为一个经典的金融学指标,对于中国证券业市场风险指标的度量,起了举足轻重的作用。波动率是标的资产投资回报率的度量,在金融市场中具有不可撼动的地位,早期的一些模型如GARCH模型、SV模型都很好地处理了低频波动率建模问题,前期的市场也较好地验证了模型准确性与预测精度。但是伴随着人工智能、大数据及计算机底层技术的发展,金融市场的数据出现爆炸式增长,低频数据已经不能适应市场的需求,量化交易策略被大量应用于基金与股票市场中,基于低频数据的波动率研究慢慢失去光环,学者们开始转向研究基于高频数据的波动率模型。与此同时,证券市场出现分时交易数据,也有更多研究者基于高频数据进行交易策略的制定。本文选取2019年7月4日至2020年3月31日的沪深300指数交易日的一分钟交易数据进行研究,构建函数型日内波动率数据,对日内数据进行主成分分析,日内函数型相关分析与回归分析,函数型时间序列预测,并对不同模型下的预测结果进行比较,得出以下结论。一,日内波动率的函数型主成分分析发现,波动率在日内呈现典型的时间效应,选择2个主成分刻画波动率日内变化模式最佳,分别对应上午达到波峰之后逐渐下降到午间休市,下午开市继续下降和下午收市稍有上升两种模式。二,对于日内成交量构建函数型数据,研究发现其与函数性日内波动率具有典型的相关关系,构造的线性回归模型具有显著性。三,采用GARCH类模型、SV模型、函数型模型时间序列方法对日内波动率进行预测,比较预测效果,应用RMSE进行预测精度比较,发现函数型主成分预测方法效果最好,SV模型其次,EG ARCH-M-GED模型最次。