基于局部均值分解的高频数据波动率估计

发布时间：2020-09-26 17:00

　　 随着科技的发展,针对金融高频数据的分析迅速成为数据分析领域的热点和难点。高频数据包含了比低频数据更多的市场细节信息,因此针对高频数据的波动率估计必定会成为一种更真实的市场波动描述。作为金融市场最重要的特征之一,波动率可以准确描绘收益的波动性,度量金融市场存在的风险,评判收益水平。由于金融高频数据存在微观结构噪声,因此需要预先进行去噪处理,然后再估计波动率。本文提出基于局部均值分解的方法进行波动率估计,实证分析使用的是5只个股的同一季度的1分钟交易数据。文章分为两部分,第一部分是去噪研究,首先利用模拟数据分别验证局部均值分解和经验模态分解的去噪效果,并使用效果较好的方法对实证数据进行去噪;第二部分是波动率估计,首先使用模拟数据探究局部均值分解方法估计波动率的性能,并得出数据频率越高则估计结果精度越低的初步推断;然后分别利用局部均值分解和希尔伯特黄变换对去噪后的1分钟数据进行波动率估计;另外,使用未去噪的1分钟数据进行抽样,得到5分钟、15分钟、30分钟数据,并对这些不同时间间隔的数据使用上述两种方法进行波动率估计。最后,将两种不同方法对不同时间间隔数据的估计结果进行对比分析。实证结果表明,对于1分钟、5分钟、15分钟数据,局部均值分解方法的估计精度均高于希尔伯特黄变换方法。但是对于30分钟数据的估计结果,局部均值分解方法的估计精度低于希尔伯特黄变换,总体上看,LMD方法的相对误差随着时间间隔的增大而递增,验证了模拟数据的估计结果。
【学位单位】：长春工业大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：F832.51
【部分图文】：

图 3.2 LMD 与 EMD 去噪效果示意图对于本节所模拟的价格数据，其基本思想如下：设 p (t )是一个资产的对数价格 满足以下连续时间的 GARCH 模型：1dp (t ) (t ) dW (t )（3-22 2 22d (t ) ( (t )) 2 (t ) dW (t )（3-3其中1W (t )和2W (t )是独立的布朗运动。将模型中的参数设为 0.035， 0.636， 0.296，其中模拟过程中使用拉离散方法，其具体步骤如下[61]：1）将瞬时波动率2 (t )记为 Y [i ]，资产对数价格 p (t )记为 p[ i ]，第一步对2d (欧拉离散方法处理，产生瞬时波动率0Y [1] Y（3-42 21Y [i 1] Y [i ] ( (t )) t 2 (t ) Z [i ] t （3-52）根据生成的瞬时波动率 来生成 ，0p[ 1] p（3-6

华策影视的对数价格与对数收益率序列图

万达信息的对数价格与对数收益率序列图

【参考文献】

相关期刊论文 前8条

1 朱莉;;高频股指期现货市场波动溢出效应的研究——基于EEMD的小波降噪[J];技术经济与管理研究;2015年11期

2 崔凤新;徐丽兰;郑新桃;;采用EMD和奇异值分解子空间重构的信号降噪新方法[J];邵阳学院学报(自然科学版);2014年04期

3 刘威仪;;市场微观结构噪声的形成机制研究[J];金融理论与实践;2014年07期

4 魏瑾瑞;朱建平;谢邦昌;;金融高频数据仅仅是一个优质的时间序列吗:概念及统计特征的再考察[J];投资研究;2014年05期

5 黄薏舟;郑振龙;;无模型隐含波动率及其所包含的信息:基于恒生指数期权的经验分析[J];系统工程理论与实践;2009年11期

6 程军圣;张亢;杨宇;于德介;;局部均值分解与经验模式分解的对比研究[J];振动与冲击;2009年05期

7 杨瑞成;秦学志;;基于跳-扩散过程的人民币汇率收益率波动模型[J];系统工程;2009年01期

8 刘庆富;华仁海;;基于非同步交易的国内外期货市场价格发现贡献度研究[J];统计研究;2008年12期

相关博士学位论文 前1条

1 李彩云;“已实现”跳跃检验与跳跃风险测度[D];华中科技大学;2013年

相关硕士学位论文 前3条

1 蔡丰泽;基于小波分析的金融高频数据波动率估计研究[D];长春工业大学;2016年

2 李文;金融高频数据的波动率及跳跃研究[D];重庆理工大学;2014年

3 朱永安;基于混合分布假说的中国股市量价关系实证研究[D];东北财经大学;2003年

本文编号：2827234