基于跳跃、好坏波动率和马尔科夫状态转换的高频波动率模型预测

发布时间：2021-12-30 02:10

　　基于跳跃、好坏波动率的视角,采用比ABD检测更稳健的ADS检测法进行甄别跳跃,提出HAR改进模型,进一步考虑到实际波动率的非线性和高持续性动态,文章引入马尔科夫状态转换机制以构建对应的MRS-HAR族模型,推导其参数估计方法,并运用滚动时间窗预测技术和MCS检验评估预测模型结果,并采取不同的窗口期进行稳健性检验.以上海期货交易所的黄金连续（AU0）期货合约为研究对象,实证研究表明:结合马尔科夫状态转换机制,跳跃波动在上涨行情时会抑制未来波动性;结合马尔科夫状态转换机制,好坏波动率在上涨行情时正负冲击相对平衡,而在下跌行情时好（坏）波动率抑制（加剧）未来波动性;MCS检验证实,结合马尔科夫状态转换的MRS-HAR族模型相比于HAR族模型具有更优的预测精度,进一步考虑由ADS检测修正的好坏波动率和符号跳跃能够改善波动率模型的预测能力,其中基于符号跳跃和马尔科夫状态转换的MRS-HAR-RV-SJ模型展现了最高的预测精度. 

【文章来源】：系统科学与数学. 2020,40(03)北大核心CSCD

【文章页数】：26 页

【部分图文】：

图２?＿率序列??（Ｆｉｇｕｒｅ?２?Ｒｅｔｕｒｎ?ｓｅｒｉｅｓ）??

图９坏波动率（只５＾）

图１０符号跳跃（ＳＪ）??（Ｆｉｇｕｒｅ?９?Ｂａｄ?ｖｏｌａｔｉｌｉｔｙ?（ＲＳ￣））

【参考文献】：
期刊论文
[1]中国股票市场最优套期保值比率研究——基于高阶矩HAR模型[J]. 唐勇,崔金鑫.  系统科学与数学. 2018(09)
[2]运用最小二乘模型平均法预测外汇实际波动率（英文）[J]. 邱越,谢天.  系统科学与数学. 2018(06)
[3]基于跳跃、好坏波动率与百度指数的股指期货波动率预测[J]. 陈声利,关涛,李一军.  系统工程理论与实践. 2018(02)
[4]基于符号收益和跳跃变差的高频波动率模型[J]. 马锋,魏宇,黄登仕.  管理科学学报. 2017(10)
[5]HAR-RV-EMD-J模型及其对金融资产波动率的预测研究[J]. 龚旭,文凤华,黄创霞,杨晓光.  管理评论. 2017(01)
[6]股指期货市场波动率的预测研究[J]. 贺志芳,杨鑫,龚旭,文凤华.  系统科学与数学. 2016(08)
[7]基于马尔科夫状态转换和跳跃的高频波动率模型预测[J]. 马锋,魏宇,黄登仕,夏泽安.  系统工程. 2016(01)
[8]多分形视角下的金融市场波动建模研究[J]. 唐勇,黄志刚.  系统科学与数学. 2015(06)
[9]基于高频数据视角的上证综指跳跃原因分析[J]. 赵涤非,唐勇.  系统科学与数学. 2015(01)
[10]考虑跳跃和隔夜波动的中国股票市场波动率建模与预测[J]. 孙洁.  中国管理科学. 2014(06)



本文编号：3557269