基于双门限GARCH模型的高频股票波动率研究

发布时间：2021-12-02 07:24

　　资产收益率预测是金融投资领域的重点关心对象。基于高频金融数据的资产收益率预测能够为投资者提供更加准确的决策依据。为了更好地刻画资产收益率数据的非对称性与尖峰厚尾性,构建了一种DTGARCH模型,其扰动项服从标准Laplace分布。运用极大似然估计法给出模型参数的估计值,并对不同分布扰动项的模型进行了建模分析。实证分析结果表明,DTGARCH-Laplace模型优于GARCH模型和DTARCH-Laplace模型。最后通过自助法与预测值的条件分布构建预测置信区间。计算结果表明,自助法构建的预测置信区间更加精确。 

【文章来源】：山东科技大学学报(自然科学版). 2020,39(06)北大核心

【文章页数】：8 页

【部分图文】：

DTGARCH-Laplace模型的样本特征

为了对比不同模型的拟合效果，选择上证指数中成分股格尔软件（603232）作为研究对象。数据来源为东方财富Choice数据。采用的数据是2019年4月8日的间隔为1min的收盘价Pt，样本容量为240。收益率为非中心化收益率数据yt=100*ln((Pt)-ln(Pt-1））。收益率数据的描述性统计量如表3所示。股票收益率的路径图与QQ图如图2所示。由图2可看出，该收益率序列存在明显的波动聚集性与非对称性，而收益率的QQ图中，所有的点并没有近似地在一条直线附近，两边的点外翘，说明该收益率序列服从厚尾分布，结合收益率序列的峰度值为7.570 4，可知该收益率序列具有明显的尖峰厚尾性。

当序列为平稳序列时，需要判断序列之间是否存在相关性。图3绘制了收益率序列{yt}和收益率平方序列{yt2}的样本路径图、自相关函数图和偏自相关函数图。从图3(a）可以看出，收益率序列{yt}呈现波动聚集性与非对称性的特征；而图3(b）呈现出序列间存在自相关性，图3(c）中的函数值一阶截尾。从图3(d）可知，收益率序列存在明显的异方差性；而图3(e）和图3(f）中的ACF值和PACF值在1、5、14期后都有缓慢衰退，说明该序列存在ARCH效应。运用极大似然估计对阈值为0的DTGARCH-Laplace模型和下列模型来拟合计算得到的格尔软件股票的收益率，并通过AIC准则选择最优模型。

【参考文献】：
期刊论文
[1]基于中国股票高频交易数据的随机波动建模与应用[J]. 张波,蒋远营.  统计研究. 2017(03)



本文编号：3527983