下载

1下载券

加入VIP
  • 专属下载特权
  • 现金文档折扣购买
  • VIP免费专区
  • 千万文档免费下载

上传资料

关闭

关闭

关闭

封号提示

内容

首页 深证成指高频数据波动率在跳跃扩散过程的应用

深证成指高频数据波动率在跳跃扩散过程的应用.doc

深证成指高频数据波动率在跳跃扩散过程的应用

是敷衍还是无所谓
2017-11-11 0人阅读 举报 0 0 0 暂无简介

简介:本文档为《深证成指高频数据波动率在跳跃扩散过程的应用doc》,可适用于综合领域

深证成指高频数据波动率在跳跃扩散过程的应用第组金融、资本市场字数:words年中国数量经济学会*深证成指高频数据波动率在跳跃扩散过程的应用ab西村友作门明(对外经济贸易大学北京)摘要:已实现波动率(RV)是在高频数据的研究基础上发展起来的度量波动率的新方法。本文以深证成指的高频数据为研究对象采用跳跃显著性检验方法、HARRVJ及HARRVCJ模型进行了深证成指RV的跳跃特征研究。主要结论如下:()中国股市的RV发生显著跳跃的频率要高并具有跳跃幅度大波动趋势更激烈等特征()中国股市于年下半年之后进入股市泡沫阶段这导致了股票价格的剧烈波动而越是波动激烈的时期显著跳跃发生越频繁跳跃幅度越大。()日均显著跳跃成分会影响日、周均RV并且显著跳跃会导致股市更大的波动。在建模与预测方面对数RV具有很强的有用性与可行性。关键词:股票市场跳跃扩散过程已实现波动率跳跃显著性检验HAR模型一、引言金融资产收益率的波动率(volatility)是金融领域的一个极其重要的概念。目前波动率已经被广泛应用于在金融资产及其衍生产品定价、金融资产风险管理等各个领域。然而波动率是不可直接观测的、具有较强时变性的变量。因此波动率研究受到许多学者的关注。金融市场波动率的估计和建模研究在过去几十年里成为金融研究领域最为重要的课题之一。上世纪年代以来许多学者对波动率领域进行了大量的研究。尤其是自Engle()提出自回归条件异方差(AutoregressiveConditionalHeteroskedasticityARCH)模型突破了传统计量经济学同方差条件的限制以来各种波动率模型应运而生国内外对波动率的研究与应用出现了空前的发展。虽然这些模型均采用不同的建模方法然而在抽样频率方面有共同点即使用日间或更低频率的数据。随着通讯与计算机技术的快速发展、数据记录技术的不断提高日内分笔、分时数据等金融高频数据被广泛应用于波动率研究。近年来有一种全新的波动率估计方法受到许多学者的关注叫做已实现波动率(RealizedVolatility以下略记RV)。RV是由AndersenandBollerslev()提出的度量波动率的新方法。假设某金融资产在第t个交易日内能够观测到nrrr,,,tttn()()()个日内收益率{}RV定义为这些日内收益率的平方和:*本文获得国家社会科学基金资助(BJY)a西村友作()男对外经济贸易大学国际经济贸易学院博士研究生日本国家公派留学生(非会员)。b门明()男对外经济贸易大学国际经济贸易学院教授博士生导师(非会员)。关于波动率度量模型的回顾文献参见宋逢明和江婕()。ntT,,,,()RVr,,tti(),irti()其中表示第t期中在第i个观测时间段的日内收益率(i=,,…,n)即:rPtinPtin,,,,,,ln()ln(())()ti()ln()Ptin,其中表示第t期中在第i个观测时间段的资产价格对数值n表示在天内所观察到的日内收益率总数。虽然RV计算方法的结构是很简单的但是RV具有非常深刻的理论背景。假设在s期的某金融资产对数价格lnP(s)服从如下伊藤过程:dPssdssdWsln()()()(),,,()Ws(),()s其中μ(s)表示漂移项表示瞬时波动率表示布朗运动。因此在t期的lnP(s)的真实波动率定义为如下:tIVsds,,()()t,,t,()s由于这是瞬时波动率的积分通常称之为积分波动率。根据二次变差(quadraticvariation)RVIV理论当n时()式的依概率收敛于()式的。换言之只要日内收益率的抽样频tt率足够高RV可被视为真实波动率的一致估计量。由于RV本身不但具有不依赖于理论模型、计算比较简单等优势而且Blair,PoonandTaylor()、Martens()、徐正国和张世英()、Koopman,JungbackerandHol()、柴田()等一些实证研究显示RV优于其他波动率模型的波动预测结果因而在国内外金融学界掀起了高频金融波动研究的热潮。由于金融资产价格一般假设服从连续扩散过程(continuousdiffusionprocess)在此假设条件下该资产的收益率应该是平稳的。然而在实际经济当中市场价格往往会出现较短的交易时间内发生较大的变动。这种资产价格变化的不连续现象称为“跳跃(Jump)”。随着金融资产高频数据的不断应用可用于检验跳跃的模型应运而生。在高频数据的基础上本文拟进行跳跃显著性检验及其统计特征分析。此外本文还将这些跳跃成分应用于Corsi()提出的HAR(HeterogeneousAutoregressive)模型建立服从跳跃扩散过程(jumpdiffusionprocess)的HARRVJ模型与HARRVCJ模型来研究中国股市的跳跃对RV的影响程度。本文的结构安排如下:第二部分对跳跃扩散过程的理论背景作了简明的介绍第三部提出跳跃成分的显著性检验方法与本文应用的实证模型第四部分介绍变量指标、数据说明第五部分进行实证检验并给出实证结果第六部分对全文进行总结。二、跳跃扩散过程的理论背景ln()Ps假设在s期的某金融资产对数价格服从跳跃扩散过程第一部分的()式可改为:dPssdssdWssdqsln()()()()()(),,,,,s,T(),()sdqs()dqs()其中表示跳跃的大小并且跳跃存在时=否则=其他变量的定义均与第一部分相同。Andersen,BollerslevandDiebold()、BarndorffNielsenandShephard()提出在此过程下的RV模型并给出了跳跃成分的检验方法与发生频率的估计方法。lnP的二次变差(quadraticvariation)为:s()ln()()()Psuduu,,,,,,,us因此nP()RVrIVu,,,,,(),,()ttit,,,,itut其中IV表示()式给出的积分波动率即在t期的真实波动率。由此可以看出在跳跃扩散过t程下日内收益率的平方和包含了Σ项因此RV不再是真实波动率的一致估计量。为了t<u<t解决这个问题可以应用BipowerVariation(以下略记BV)来消除跳跃所带来的偏误。,,当μ、σ、W均为独立并且满足max(,)<时BV可表示为:s,,,,,,,,,,ln()()Psudu,(),,,,,,,,,,,,,,,()()其中。当时BV依概率收敛于真实波动率即:,n,P()BVrrIV,,,,,,ttitit()(),i,,,,,()其中。由()与()式可以得出在二次变差中存在的跳跃成分即:nn,P()RVBVrrru,,,,,,,,(),,,()()(),tttititi,,,,,iitut由于()式得出来的跳跃成分并不一定为正因此Andersen,BollerslevandDiebold()最终将跳跃成分J定义为:tJRVBV,,max,(),,ttt三、分析方法(一)跳跃成分的显著性检验BarndorffNielsenandShephard(,)提出了辨别显著跳跃成分的统计量即:lnlnRVBV,dtt()ZN,,,,(,)t,,,,,(),TQBVntt其中TQ为RealizedTripowerQuarticity的简称在t期的TQ可表示为如下:tlnP的二次变差可定义为:nln()plimln()ln()PsPsPs,,,,,,ii,,n,isupss,,sssss,,,,,其中n时。,,iii,nBV的详细内容参见BarndorffNielsenandShephard(,)。笔者应用Excel计算。除此之外还有几种显著跳跃成分Z统计量的计算方法详见HuangandTauchen()。nt,P()TQnrrrudu,,,,,,(),,,()()()ttititi,,t,j,,,,,,()()其中。Z可用于原假设为H:RVBV=对立假设为tttH:RVBV>的假设检验。当原假设成立时Z渐进服从标准正态分布。由此在α的显著ttt水平下拒绝H则取值为J不能拒绝H则取值为的估计值J可表示为:tt,α,JIZRVBV,,,,(),()tttt,,,,(),其中I为指示函数(indicatorfunction)即满足的条件则取值为否则取值为为在α置信水平下的临界值。置信水平α越大J越小显著跳跃发生的可能性越少反之t,α亦反。Andersen,BollerslevandDiebold()研究了α=下的发生显著跳跃的次数占样本总数的比例。(二)HARRVJ模型Andersen,BollerslevandDiebold()将()式的跳跃成分J作为说明变量加入Corsi()t提出的HARRV模型建立HARRVJ模型并且研究了三种不同时间的被说明变量的情况即:()()()()dwmjRVcRVRVRVJ,,,,,,(),,tthtttttttth,,,,RVRVRVtt,,tt,,t其中、与分别表示在t期的过去日RV、过去周均RV与过去月均RVRVRVRVRVRVRVRVRVtt,,tt,,即=与=J表示()ttttt,,tt,,RVtth,式给出的跳跃成分被说明变量表示未来一定时期的日RV的平均值即RVhRVRVRVtth,ttth=根据Andersen,BollerslevandDiebold()本文研究了RVRVRVtt,tt,tt,日、周及月的三种不同情况即被说明变量分别为、以及。此外本文还研究根号RV与对数RV的HARRVJ模型可以将()式改为:()()()()dwmjRVcRVRVRVJ,,,,,,(),,tthtttttttth,,,,()()()()dwmjlnlnlnlnln()RVcRVRVRVJ,,,,,,(),,tthtttttttth,,,,(三)HARRVCJ模型Andersen,BollerslevandDiebold()给出了如下连续成分:,,CIZRVIZBV,,,,,()(),,()tttt,,并且上述HARRVJ模型拓展为HARRVCJ模型即:笔者应用Excel计算。为了区别起见本文将()式计算的J称为跳跃成分将()式计算的J称为“显著”跳跃成分。tt,α当α=时J渐进一致于以()式计算的跳跃成分即J=maxRVBV,。t,αttt以美国、日本等国家的股市作为研究对象的先行研究一般将一个月的平均交易日数定义为天即RVRVRVRV=。由于各国平均交易日数有所不同研究中国股市时绝不可盲目生搬ttt,,tt,,硬套。年月至年月的中国股市的每月平均交易日数为天(数据来源于深圳证券交易所网站由笔者自行计算)。因此本文定义中国股市的月度平均交易数为天。()()()cdcwcmRVcCCC,,,,,,,,,tthttttt,,,,,,()()()()jdjwjmJJJ,,,,,,ttttttth,,,,,,,,,其中J为()式给出的在α显著水平下的跳跃成分它能够反映出显著跳跃对RV的影响t,α程度C为()式给出的在α显著水平下的连续成分。由于当跳跃发生时C取值为BVt,αt,α当跳跃不发生时C取值为RV它能够反映出从跳跃扩散过程中去除显著跳跃成分的波动对t,αRV的影响程度。另外过去一定时期的J与C的平均值分别表示为t,αt,αJ=h(JJ,…,J)与C=h(CC,…,C)其中h=,,。th,t,αth,t,αth,t,αth,t,αth,t,αth,t,αth,t,αth,t,α与HARRVJ模型相同本文依然研究日、周及月的三种不同情况即被说明变量分别为RVRVRVtt,tt,tt,、以及。同样根号RV以及对数RV的HARRVCJ模型可以表示为:()()()cdcwcmRVcCCC,,,,tthttttt,,,,,,,,,,,()()()()jdjwjmJJJ,,,,ttttttth,,,,,,,,,,,()()()cdcwcmlnlnlnlnRVcCCC,,,,,,,,,tthttttt,,,,,,()()()()jdjwjmln()ln()ln()JJJ,,,,,,ttttttth,,,,,,,,,四、数据综述本文以深证成份指数作为研究对象样本区间为年月日至年月日本文删除了数据不完整或未观测到的交易日最后得到了共个交易日。如上所述理论上抽样频率越高即n越大计算出来的RV越精确。然而实际上随着抽样频率的提高市场微观结构噪声(marketmicrostructurenoise)所带来的问题愈来愈严重。因此必须在估计精度与噪声这两者之间进行权衡。根据Blair,PoonandTaylor()、Martens()、Andersen,BollerslevandDiebold()、Koopman,JungbackerandHol()、柴田()等现存文献本文采用了时间间隔为分钟的抽样数据。因此每个交易日中有个观测值(n=)共有,个数据。中国股市在t期的下午:闭市到在t期的上午:开市之间、在t期:到:之间没有任何交易不能抽取分钟数据。许多相关研究表明午间、夜间收益率包含着较大的噪声影响不能简单加总。然而若RV计算过程中将它忽略不计则很可能低估其波动率。由此HansenandLunde(a,b)提出了剔除噪声影响的方法:T()RR,,t()HL,tRVRV,()()ttintraTRV,tintra(),t样本区间中数据不完整或未观测到的交易日共有个即。关于市场微观结构噪声及其对RV的影响详见AïtSahalia,MyklandandZhang()HansenandLunde()等。RVRtintra()其中表示剔除午间与夜间收益率后的在t期的RV即只用日内收益率计算的RVtR表示在t期的日间收益率表示日间收益率的样本均值。RV的具体计算过程为如下:首先由于深交所的交易时间为北京时间上午:至:、下午:至:因此在前市中抽取前市开盘价、:、…、:以及前市收盘价在后市中抽取后市开盘价、:、…、:以及后市收盘价作为样本数据每天共有个观测rr值(n=)其次本文采用对数差分乘以计算日内收益率最后根据()式计算的ti()ti()()HLRVRVtT,,,,平方和获得()然后剔除午间、夜间收益率乘以()式的调整因子获得。tt为简化起见下面省略了(HL)的上角标。数据均来源于天相投顾公司。五、实证结果(一)深证成指显著跳跃成分的统计特征与国际比较根据()式本文计算了在不同置信水平下的跳跃序列J。如上所述本文采用α=t,α的置信水平以便于直接与先行文献对照比较。深证成指跳跃序列J的统计特征如表所示。t,α表深证成指跳跃序列J的统计量t,ααQ(),JQ(),J>跳跃比率均值标准差t,αt,α注:α为置信水平“跳跃比率”为在α显著水平下发生跳跃的次数占样本总数的比例Q(),J与Qt,α(),J>分别表示跳跃序列与从跳跃序列删除序列以Diebold()的方法调整异方差的LjungBox统计t,α,量这些均服从自由度为的分布。临界值分别为:为为为。表中“跳跃比率”表示在α置信水平下显著跳跃所发生的频率即显著跳跃的发生次数占样,IZ(),,,t本总数的比例TΣ(t=,,…,T)。与Andersen,BollerslevandDiebold()、柴t=田()等其他国际先行研究相比中国股市发生显著跳跃的比例是相当高的。以α=为例SP指数与日经指数的该比例分别为与远远小于深证成指的深证成指的RV大约两天发生一次显著跳跃。显著跳跃发生最为频繁的股票市场是虽然这些先行研究所采用的样本区间均为不同然而应该有一定的比较价值。Andersen,BollerslevandDiebold()以年月至年月的SP指数的分钟数据为研究对象紫田()以年月至年月的日经指数作为研究对象进行了股市跳跃显著性分析。为了提高检验的可信度在样本条件允许的情况下本文选取更接近于如上先行文献的样本区间(年月至年月)进行了同样的检验。当α=时深证成指的发生比率为得出了基本相同的结果。α=等不同置信水平下也得到了同样的检验结果。中国其次是日本最后是美国。在其他置信水平下的检验结果也呈现相同的情况。鉴于这些股票市场的规模、历史、投资者结构、市场开放度等综合因素本文认为越是发达成熟股票市场发生显著跳跃的可能性越小。表第、列显示深证成指显著跳跃序列J的均值与标准差。本文的实证结果显示t,α深证成指显著跳跃序列J的均值与标准差均大于Andersen,BollerslevandDiebold()、柴t,α田()的检验结果。以α=为例SP指数与日经指数的均值与标准差分别为、与、小于深证成指的、。在其他置信水平下的检验结果也呈现基本上类似的情况。这意味着一旦发生显著跳跃中国股市的跳跃幅度比美国、日本等发达成熟股市要大波动趋势更加激烈。本文还针对显著跳跃序列J与从显著跳跃序列删除无跳跃零值的序列J>进行了t,αt,αLjungBox检验来判断这些变量是否存在自相关。检验结果见表的Q(),J与Q(),J>。t,αt,α本文以Diebold()的方法对LjungBox统计量进行了异方差调整。由此可以看出J序t,α列与J>序列均在统计上是极为显著的这意味着深证成指的显著跳跃序列具有聚类性特征t,α即较大幅度的跳跃往往伴随较大幅度的跳跃较小的跳跃伴随较小的跳跃。根据Andersen,BollerslevandDiebold()、柴田()的检验结果美国与日本股票市场的跳跃序列也呈明显聚类特征。图的左图显示深证成指显著跳跃序列J的时序图。图中上边折线图表示应用()式计t,α算的跳跃成分J下边折线图表示当置信水平α=时所发生的显著跳跃成分J。由图tt,可直接观测J序列与J序列均具有明显的聚类特征。值得注意的是年月开始tt,股票市场的跳跃发生更加频繁跳跃幅度更加明显。本文对这一现象做出如下合理的解释。图的右图显示深证成指的RV与每日收盘价的时间序列图。由此可以清楚地看出自从年月前后开始深证成指呈现历史性暴涨股市进入了新局面。深证成指的年月日至年月日的平均每日收益率为而年月日至年月SP指数与日经指数跳跃序列的跳跃比率为如下:αSP日经数据来源于Andersen,BollerslevandDiebold()TableB与紫田()表。SP指数与日经指数跳跃序列的均值与标准差为如下:α均值SP标准差均值日经标准差数据来源于Andersen,BollerslevandDiebold()TableB与紫田()表。Diebold()提出的修正LjungBox检验为:m,,ˆˆ,,k()QmTT()(),,,,,,ˆ()kTk,,,,ky,,ˆ(),(),,()yyyyyy,,,,,()k其中表示样本总数表示样本方差的平方表示{}的k阶样本自TyTˆ,()k协方差表示k阶样本自相关系数。表中第个观测值是年月日的数据。日为按年率计算为。深证成指该期间的日均异常收益率高达这无疑是股市泡沫的典型表现。年之后日本的股价开始暴涨形成了臭名远扬的泡沫经济。年月日至年月日的日经指数平均每日收益率高达深证成指的三分之一都不到。这是证明中国股市于年下半年之后进入股市泡沫阶段的有力证据。该泡沫现象导致了股票市场的更加波动(参见图下段RV折线图)而越是波动激烈的时期显著跳跃发生越频繁跳跃幅度越大。图深圳股市的跳跃序列J、RV及日收盘价时序图t,αDailyClosePriceSZRealizedVolatilitySZSignificantJumpSZ()JumpComponentSZ注:左图中上边折线图表示应用()式计算的跳跃成分即J序列(右边刻度)下边折线图表示在置信水t,平α=下所发生的显著跳跃即J序列(左边刻度)右图中上边折线图表示RV序列(右边刻度)t,下边折线图表示股指每日收盘价(左边刻度)。(二)HARRVJ模型的检验结果深证成指的HARRVJ模型估计结果见表。由于被说明变量为由RV平均值构成的因此()式的误差项有可能存在h阶自相关。根据Andersen,BollerslevandDiebold()本()j,文采用NeweyWest的修正标准差。从表中可以看出在任何情况下参数都是不显著的这意味着由()式计算的跳跃成分J并不影响日、周及月的RV预测。这可能是因为跳跃成分tJ是未经过显著性检验的变量主观性较强。它本身可能存在某些偏误并且这种偏误可能大tRR于美国股市。另外表中与分别为HARRV模型与HARRVJ模型的调整拟合优度。JHARRR由此可以看出与的值为基本相同进一步证实了跳跃成分J未能提高预测能力的以tJHAR上结论。此外从表可以看出直接使用RV的模型不如使用根号RV与对数RV的HAR模型并使用对数RV拟合优度最高。以h=的模型为例RV模型、根号RV模型与对数RV模型的调整拟合优度分别为、与。而且从各个参数的显著程度来看对数RV模型最佳其次为根号RV模型最后为RV模型。由此本文认为应该使用对数RV进行建按每年平均个交易日计算。日经指数于年月日即当年的最后一个交易日记录了,点的历史最高点(当天收盘价为点)。平均每日收益率由笔者计算。数据来源于Bloomberg。RVlnRVRVAndersen,BollerslevandDiebold()的HARRVJ检验结果显示当h=、h=时、tth,tth,tth,()j,的参数均显著且为负值。模与预测。表深证成份指数的HARRVJ模型检验结果()d()w()m()jRR,,,,hcJHAR****()()()()()***RVtth,()()()()()**()()()()()****()()()()()***RVtth,()()()()()****()()()()()***()()()()()****lnRVtth,()()()()()****()()()()()注:*和**分别表示在和的显著水平下拒绝原假设。括号中的数字为估计参数的NeweyWest修正标准RR差。与分别表示HARRVJ模型与HARRV模型的调整拟合优度。HARJ(三)HARRVCJ模型检验结果本文应用HARRVCJ模型检验连续成分C与显著跳跃成分J的日、周及月平均值对t,αt,αRV日、周及月平均值的影响程度。根据Andersen,BollerslevandDiebold()本文采用在α=置信水平下的连续成分与显著跳跃成分即C与J。深证成指的HARRVCJt,t,()jd()jw()jm,,,模型检验结果如表所示。虽然直接使用RV的HARRVCJ模型的参数、、基()jd,本上不显著然而根号RV模型与对数RV模型在h=与h=的情况下其参数均在显著水平为正值。这意味着一旦发生显著跳跃就会影响第二天RV与未来天的RV平均值并且显著跳跃会导致股市更大的波动。本文结果与Andersen,BollerslevandDiebold()的实证结果炯然不同即美国股市的显著跳跃成分基本上不影响日、周及月的RV预测。这可能是因为深证成指的显著跳跃发生频Andersen,BollerslevandDiebold()的HARRVCJ模型(SP指数)检验结果为如下:率远远大于SP指数因此最近的日均显著跳跃成分会影响日均与周均RV。关于模型描述方面HARRVCJ模型的检验结果与HARRVJ模型完全相同即对数RV模型最佳其次R为根号RV模型最后为RV模型。表中表示HARRVCJ模型的调整拟合优度。以h=CJRRR的情况为例RV模型的只有根号RV模型的上升到对数RV模型的CJCJCJ高达。再从每个参数的显著性指标来看对数与根号RV模型的显著情况显然优于RV()cd()cw()cm,,,模型尤其是对数RV模型的连续成分C日、周及月平均值的参数、、均在t,α水平显著为正。这进一步证实了在建模与预测方面对数RV具有很强的有用性与可行性。表深证成指的HARRVCJ模型检验结果()cd()cw()cm()jd()jw()jmR,,,,,,hcCJ***()()()()()()()***RVtth,()()()()()()()***()()()()()()()*****()()()()()()()****RVtth,()()()()()()()****()()()()()()()*****()()()()()()()*****lnRVtth,()()()()()()()****()()()()()()()注:*和**分别表示在和的显著水平下拒绝原假设。括号中的数字为估计参数的NeweyWest修正标准R差。表示HARRVCJ模型的调整拟合优度。CJRVlnRVRVtth,tth,tth,h()jd,()()()()()()()()()()jw,()()()()()()()()()()jm,()()()()()()()()()数据来源于Andersen,BollerslevandDiebold()TableB。六、结论本文以深证成指的高频数据为研究对象采用跳跃显著性检验方法、HARRVJ及HARRVCJ模型进行了已实现波动率的跳跃特征研究。主要结论如下:第一、与美国、日本等其他发达国家股市相比中国股市的RV发生显著跳跃的频率要高得多。而且一旦发生显著跳跃中国股市的跳跃幅度要大波动趋势更加激烈。第二中国股市于年下半年之后进入股市泡沫阶段这导致了股市的更加波动。而越是波动激烈的时期显著跳跃发生越频繁跳跃幅度越大。第三HARRVJ模型的检验结果显示未经过显著性检验的跳跃成分本身存在某些偏误因此这种跳跃成分并不影响日、周及月的RV预测。第四HARRVCJ模型的检验结果发现由于中国股市的显著跳跃发生频繁因此日均显著跳跃成分会影响日、周均RV并且显著跳跃会导致股市更大的波动。第五无论是HARRVJ模型还是HARRVCJ模型在建模与预测方面对数RV具有很强的有用性与可行性。参考文献()AïtSahalia,Y,PAMykland,andLZhang(),“HowOftentoSampleaContinuousTimeProcessinthePresenceofMarketMicrostructureNoise,”ReviewofFinancialStudies,(),pp–()Andersen,TGandTBollerslev(),“AnsweringtheSkeptics:Yes,StandardVolatilityModelsDoProvideAccurateForecasts,”InternationalEconomicReview,(),pp()Andersen,TG,Bollerslev,TandDiebold,FX(),“SomeLikeitSmooth,andSomeLikeitRough:UntanglingContinuousandJumpComponentsinMeasuring,ModelingandForecastingAssetReturnVolatility,”CFSWorkingPaper,No()BarndorffNielsen,OE,andShephard,N(),“PowerandBipowerVariationwithStochasticVolatilityandJumps,”JournalofFinancialEconometrics,(),pp()BarndorffNielsen,OEandShephard,N(),“EconometricsofTestingforJumpsinFinancialEconomicsUsingBipowerVariation,”JournalofFinancialEconometrics,(),pp()Blair,BJ,SHPoon,andSJTaylor(),“ForecastingSPVolatility:TheIncrementalInformationContentofImpliedVolatilitiesandHighfrequencyIndexReturns,”JournalofEconometrics,(),pp()Corsi,F(),“ASimpleLongMemoryModelofRealizedVolatility,”WorkingPaper,UniversityofSouthernSwitzerland()Diebold,FX(),EmpiricalModelingofExchangeRateDynamics,SpringerVerlag()Engle,RF(),“AutoregressiveConditionalHeteroskedasticitywithEstimatesoftheVarianceofUnitedKingdomInflation,”Econometrica,(),pp本文还以上证综指替代深证成指进行同样的检验。检验结果基本上类似于深证成指的情况相同。()Hansen,PRandALunde(a),“ARealizedVariancefortheWholeDayBasedonIntermittentHighfrequencyData,”JournalofFinancialEconometrics,(),pp–()Hansen,PRandALunde(b),“AForecastComparisonofVolatilityModels:DoesAnythingBeataGARCH(,)”JournalofAppliedEconometrics,(),pp–()Hansen,PR,andALunde(),“RealizedVarianceandMarketMicrostructureNoise,”JournalofBusinessandEconomicStatistics,,pp–()Huang,XandGTauchen(),“TheRelativeContributionofJumpstoTotalPriceVariance,”JournalofFinancialEconometrics,(),pp()Koopman,SJ,BJungbackerandEHol(),“ForecastingDailyVariabilityoftheSPStockIndexUsingHistorical,RealisedandImpliedVolatilityMeasurements,”JournalofEmpiricalFinance,(),pp()Martens,M(),“MeasuringandForecastingSPIndexfuturesVolatilityUsingHighfrequencyData,”JournalofFuturesMarkets,(),pp()宋逢明江婕:《波动率度量模型研究的回顾及展望》《财经论丛》年第期(总第期)第页。()徐正国、张世英:《调整“已实现”波动率与GARCH及SV模型对波动的预测能力的比较研究》《系统工程》年第卷第期第页。()柴田舞(),「高頻度データによるボラティリティの推定:RealizedVolatilityのサーベイと日本の株価指数および株価指数先物の実証分析」,『金融研究』,第巻第,号,第頁。YusakuNishimura,MingMenUniversityofInternationalBusinessandEconomics,Beijing,,PRChinaAbstract:Thispapermainlyfocusesontherealizedvolatility,anewvolatilitymeasuringmethodbasedonhighfrequencytimeseriesdata,intheChina’sstockmarketInthispaper,wechooseShenzhenComponentIndexhighfrequencyfiveminutedataastheresearchsampletoanalyzethecharacteristicsofvolatilityjumpsintheChina’sstockmarketusingsignificantjumptest,HARRVJandHARRVCJmodelsThemajorfindingsinclude()ThedailyjumpproportionsandimpactofjumparemuchhigherthanthoseinUSandJapan()China’sstockmarketturnsintoaspeculativebubbleperiodafterthelaterhalfof,anditincreasesthemarketvolatilityItiseasytoobserveoccurrencesofsignificantjumpswhenthemarketbecomesmuchmorevolatile()ThereisaimpactofadailysignificantjumpforforecastingthenextdayandfutureweeklyrealizedvolatilityFurthermore,logarithmicrealizedvolatilitiesarethebestchoiceformodelestimatingandvolatilityforecastingKeywords:StockmarketJumpdiffusionprocessRealizedVolatilitysignificantjumptestHARmodel

用户评价(0)

关闭

新课改视野下建构高中语文教学实验成果报告(32KB)

抱歉,积分不足下载失败,请稍后再试!

提示

试读已结束,如需要继续阅读或者下载,敬请购买!

评分:

/24

VIP

在线
客服

免费
邮箱

爱问共享资料服务号

扫描关注领取更多福利