超高频数据的日内效应调整方法研究
本文关键词： 日内效应 自回归条件持续期 SOM 周期性调整 出处：《中国管理科学》2015年06期 论文类型：期刊论文
【摘要】：日内效应在金融高频数据研究中已被广泛证实,是一种日内周期性运动的动态效应,它影响了以微观金融指标为参数的计量模型的准确估计。基于金融超高频持续期数据,本文首先论述了日内效应调整的重要性,然后引入自适应映射(SOM)的方法对日内效应进行调整。SOM是一种基于神经网络学习的特征提取方法,能够动态识别高维数据中的结构特征,克服了静态调整方法的不足。最后通过建立基于自回归条件持续期模型(ACD)的蒙特卡罗模拟实验,比较了三种日内效应调整方法的效果。模拟结果表明SOM方法在日内效应调整中更为有效和稳定,特别适合大数据条件下的周期性结构分析。
[Abstract]:Intra-day effect has been widely confirmed in the study of high-frequency financial data and is a dynamic effect of intraday periodic motion. It affects the accurate estimation of the metrological model with the parameters of micro-financial index. Based on the data of UHF duration, this paper first discusses the importance of intra-day effect adjustment. Then the adaptive mapping (SOM) method is introduced to adjust the intra-day effect. SOM is a feature extraction method based on neural network learning which can dynamically identify the structural features in high-dimensional data. Finally, a Monte Carlo simulation experiment based on autoregressive conditional duration model (ACD) is developed. The simulation results show that the SOM method is more effective and stable in the adjustment of intra-day effect, especially suitable for the periodic structure analysis under big data condition.
【作者单位】： 东北财经大学数学与数量经济学院;
【基金】：国家自然科学基金面上项目(71171035) 辽宁省教育厅人文社会科学重点研究基地专项项目(ZJ2013039)
【分类号】：C931.1
【正文快照】： 1引言随着计算机技术的发展,数据库存储容量的扩大,高频及超高频数据成为了现代金融计量经济学的热门研究领域。超高频数据是指基于逐笔交易的信息数据,这类数据具有非等间隔时间,日内“U”型效应,价格离散取值等高频数据特征。而传统时间序列模型都是建立在等间隔时间基础上,
【参考文献】
相关期刊论文 前4条
1 徐正国;张世英;;高频金融数据“日历效应”的小波神经网络模型分析[J];数学的实践与认识;2007年15期
2 徐正国,张世英;上海股市微观结构的超高频数据分析[J];天津大学学报(社会科学版);2005年03期
3 张晓峒;徐鹏;;季节调整方法在中国的发展与应用[J];统计研究;2013年09期
4 陈飞;高铁梅;;结构时间序列模型在季节调整方面的应用——与X-12季节调整方法的比较分析[J];系统工程理论与实践;2007年11期
【共引文献】
相关期刊论文 前10条
1 西村友作;孙便霞;;全球性股市恐慌下的股市日内风险传染:来自欧债危机时期的证据[J];管理工程学报;2014年04期
2 严静;李汉东;;多资产波动序列日内共同周期结构研究[J];北京师范大学学报(自然科学版);2014年06期
3 赖英旭;焦娇;;基于时间序列分析的工业控制以太网流量异常检测[J];北京工业大学学报;2015年02期
4 吕寒冰;李勇;;银行信贷结构对区域经济增长影响的实证分析——基于灰色关联度模型和VAR模型的研究[J];福建行政学院学报;2015年02期
5 余德建;吴应宇;周伟;孟笋;;金融超高频数据研究新进展[J];华南理工大学学报(社会科学版);2011年01期
6 高桂芬;周瑞芳;;国内大中专院校专利申请量的季节调整模型及预测[J];河南科技学院学报(自然科学版);2008年03期
7 孙艳;何建敏;周伟;;基于UHF-EGARCH模型的股指期货市场实证研究[J];管理科学;2011年06期
8 曹蕾;董小刚;李纯净;;对中国石油数据的实证分析[J];长春工业大学学报(自然科学版);2009年03期
9 王亚楠;董雅琴;吴祈宗;;基于MCMC的SCD模型扩展研究[J];河北工业科技;2014年01期
10 赵秀娟;魏卓;汪寿阳;;基于日内效应的沪深300股指期货套利的分析[J];管理科学学报;2015年01期
相关会议论文 前1条
1 鲁万波;李会会;;多元Copula-ACD模型及其应用[A];第十六届中国管理科学学术年会论文集[C];2014年
相关博士学位论文 前10条
1 赵红强;基于小波分析的我国经济运行特征研究[D];吉林大学;2011年
2 桂文林;子年度经济时间序列季节调整模型与应用研究[D];暨南大学;2011年
3 李胜歌;基于高频数据的金融波动率研究[D];天津大学;2008年
4 刘波;基于连续双向拍卖交易机制的金融市场微观结构研究[D];电子科技大学;2009年
5 赵玉;大豆期货价格波动的风险管理研究[D];华中农业大学;2010年
6 汪剑鲲;日内股市数据的小波分形特征研究[D];首都经济贸易大学;2012年
7 张岩;结构时间序列模型在季节调整中的理论分析与应用研究[D];南开大学;2013年
8 王开科;宏观经济统计数据质量控制研究[D];厦门大学;2014年
9 王少斌;基于高频数据的投资者交易行为研究[D];首都经济贸易大学;2014年
10 张小勇;金融市场的量价关系理论与实证研究[D];湖南大学;2013年
相关硕士学位论文 前10条
1 王美露;基于商品零售总额的季节调整方法比较研究[D];山东经济学院;2011年
2 贺凤羊;中国经济时间序列的季节调整研究[D];暨南大学;2011年
3 朱明;基于POS数据的多维空间的营销分析[D];东华大学;2012年
4 李纯净;基于高频数据的微观市场结构中的研究[D];长春工业大学;2011年
5 李晓威;金融高频数据的关联规则算法研究[D];吉林大学;2008年
6 王金光;山东省物价波动实证研究[D];山东大学;2008年
7 高鑫;基于交易机制的我国股票市场波动性实证研究[D];南京理工大学;2010年
8 陈龙;金融高频数据的关联规则增量算法改进研究[D];吉林大学;2010年
9 童霆;PPI与CPI传导关系研究[D];广东商学院;2010年
10 王蕴卓;基于广义回归神经网络的货币需求函数非线性建模与应用[D];东北大学;2008年
【二级参考文献】
相关期刊论文 前10条
1 张鸣芳,项燕霞,齐东军;居民消费价格指数季节调整实证研究[J];财经研究;2004年03期
2 陈雄强;张晓峒;;货币供应量的实时监测——基于季节调整方法[J];上海经济研究;2011年07期
3 栾惠德;张晓峒;;季节调整中的春节模型[J];经济学(季刊);2007年02期
4 夏春;实际经济时间序列的计算、季节调整及相关经济含义[J];经济研究;2002年03期
5 高协平,张钹;区间小波神经网络(I)——理论与实现[J];软件学报;1998年03期
6 高协平,张钹;区间小波神经网络(II)——性质与模拟[J];软件学报;1998年04期
7 孙培源,施东晖;微观结构、流动性与买卖价差:一个基于上海股市的经验研究[J];世界经济;2002年04期
8 杨朝军,孙培源,施东晖;微观结构、市场深度与非对称信息:对上海股市日内流动性模式的一个解释[J];世界经济;2002年11期
9 韩冬梅,高铁梅;基于结构时间序列模型的季节调整方法研究[J];数量经济技术经济研究;2000年03期
10 李晓芳,吴桂珍,高铁梅;我国经济指标季节调整中消除春节因素的方法研究[J];数量经济技术经济研究;2003年04期
【相似文献】
相关期刊论文 前10条
1 朱建平;魏瑾;谢邦昌;;金融高频数据挖掘研究评述与展望[J];经济学动态;2011年06期
2 郭兴义,杜本峰,何龙灿;(超)高频数据分析与建模[J];统计研究;2002年11期
3 常宁,徐国祥;金融高频数据分析的现状与问题研究[J];财经研究;2004年03期
4 金登贵;中国证券市场高频数据分布特征研究[J];统计与决策;2005年20期
5 应益荣;包郭平;;金融市场高频数据分析的建模进展[J];五邑大学学报(自然科学版);2006年01期
6 包郭平;应益荣;;金融市场中高频数据的分析方法[J];五邑大学学报(自然科学版);2007年01期
7 唐振鹏;;金融高频数据和超高频数据的研究现状及展望[J];福州大学学报(哲学社会科学版);2008年04期
8 唐勇;张伯新;;基于高频数据的中国股市跳跃特征实证分析[J];中国管理科学;2013年05期
9 尹优平,马丹;基于分布拟合方法的高频数据风险价值研究[J];金融研究;2005年03期
10 补冯林,张卫国,何伟;基于超高频数据的股票流动性度量研究[J];统计与决策;2005年04期
相关会议论文 前7条
1 郭名媛;;基于高频数据的已实现极差相关系数及实证研究[A];2012管理创新、智能科技与经济发展研讨会论文集[C];2012年
2 郭名媛;;基于高频数据的赋权已实现极差相关系数及其实证研究[A];社会经济发展转型与系统工程——中国系统工程学会第17届学术年会论文集[C];2012年
3 唐勇;;金融市场波动建模:基于高频数据视角[A];社会经济发展转型与系统工程——中国系统工程学会第17届学术年会论文集[C];2012年
4 杨怀东;伍娟;盛虎;;基于高频数据的成对交易统计套利策略实证研究[A];第五届（2010）中国管理学年会——金融分会场论文集[C];2010年
5 张晨;李月环;;基于调整“已实现”波动率的沪深300指数高频数据波动性研究与预测[A];中国会计学会高等工科院校分会2008年学术年会（第十五届年会）暨中央在鄂集团企业财务管理研讨会论文集（上册）[C];2008年
6 刘淳;朱世武;何济舟;;金融市场波动择时策略的经济价值分析[A];经济全球化与系统工程——中国系统工程学会第16届学术年会论文集[C];2010年
7 瞿慧;张明卓;;基于跳跃规模细分的已实现波动率建模研究[A];“两型社会”建设与管理创新——第十五届中国管理科学学术年会论文集（上）[C];2013年
相关重要报纸文章 前7条
1 程实;美国金融体系逐渐恢复 实体经济企稳[N];中国经济时报;2009年
2 本报记者 任晓;12月PMI或小幅上行[N];中国证券报;2013年
3 华泰长城期货 谢赵维 许惠敏;高库存料继续“重压”矿价[N];中国证券报;2014年
4 金融学博士 宏观经济分析师 程实;全球经济隐约徘徊着复合危机阴影[N];上海证券报;2011年
5 申银万国证券研究所 李慧勇;新兴市场保持资金大额流入[N];证券时报;2014年
6 格林期货 刘光素 编辑 梁伟;揭秘神奇的“期指领先股指2分钟”之谜[N];上海证券报;2010年
7 长城证券 汪毅 张新文;债市调整 可转债个体性机会增强[N];经济参考报;2014年
相关博士学位论文 前6条
1 唐勇;基于高频数据的金融市场分析[D];天津大学;2007年
2 镇磊;基于高频数据处理方法对A股算法交易优化决策的量化分析研究[D];中国科学技术大学;2010年
3 刘广应;带跳的分数维积分过程的幂变差理论及其在金融高频数据中的应用[D];复旦大学;2011年
4 李胜歌;基于高频数据的金融波动率研究[D];天津大学;2008年
5 王少斌;基于高频数据的投资者交易行为研究[D];首都经济贸易大学;2014年
6 王芳;基于市场微观结构噪声和跳跃的金融高频数据波动研究[D];西南财经大学;2011年
相关硕士学位论文 前10条
1 韩铁;金融市场（超）高频数据建模及与低频数据对比研究[D];天津大学;2006年
2 李晓威;金融高频数据的关联规则算法研究[D];吉林大学;2008年
3 张曙;金融高频数据的分析及实证研究[D];中南大学;2013年
4 肖星火;基于中国股市高频数据的流动性风险研究[D];华南理工大学;2013年
5 刘力华;基于高频数据的证券市场实证研究[D];暨南大学;2011年
6 张国勇;金融市场（超）高频数据建模及其实证分析[D];天津大学;2004年
7 李颖超;太钢不锈股市高频数据实证研究[D];山西财经大学;2012年
8 侯守国;基于小波分析的股市高频数据研究[D];天津大学;2006年
9 张越;基于高频数据的量价动态关系研究[D];天津大学;2012年
10 王姗姗;中国证券市场高频数据极值的波动性研究[D];吉林大学;2012年
，本文编号：1471006
本文链接：https://www.wllwen.com/guanlilunwen/glzh/1471006.html
