基于SLAD估计的ACD模型及其在沪深股市中的应用研究

发布时间：2020-11-20 12:49

　　 随着计算机技术的进步和发展,数据存储和记录的成本越来越低,人们可以获得金融市场上每笔交易的实时数据,即获得采样频率越来越高的数据,这些数据常被称为高频数据或超高频数据。然而高频数据交易的非等间隔使得传统的计量经济模型并不适用于此。因此,针对高频数据的久期,Engle和Russel(1998)提出了ACD模型。经过20年的发展,ACD模型己经得到了广泛的应用。众所周知,对于ACD模型的参数估计,目前运用最多的是极大似然估计(MLE)。对于MLE,只有在误差的方差存在的条件下,才具有较好的统计性质,并且在估计过程中往往需要事先假设误差服从某种已知的分布。然而金融高频数据具有重尾的性质,这些数据的方差可能是无穷,这就使得直接假设误差的方差存在显得不合适,并且一旦事先假设的误差分布与实际不符,得出的结论将会不可靠。为了解决MLE的缺陷,有学者提出了用最小一乘(LAD)估计去替代MLE,LAD估计结果虽然较MLE更加稳健,但LAD估计给了离群点和正常点相同的权重,这也稍显不合理。针对MLE和LAD估计存在的问题,本文采用自加权最小一乘(SLAD)估计对ACD模型进行参数估计,并在一定假设条件下证明了SLAD估计的渐近正态性。随后在假设误差服从Pareto分布、Burr分布和Frechet分布等重尾分布的情况下,进行数值模拟。通过对模拟结果进行比较分析,发现在数据方差无限且存在异常值时,SLAD估计结果的MSE最小且最稳健。最后将SLAD估计用于沪深股市数据,分别对青岛海尔、百联股份和宝信软件三只股票的交易量久期和价格久期进行了研究,发现SLAD估计结果的AIC和MSE均小于MLE和LAD估计,由此说明SLAD估计更适合ACD模型的参数估计。
【学位单位】：浙江工商大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：F832.51;O212.1
【部分图文】：

图４．５：宝信软件原始交易量久期?图４．Ｇ：宝信软件日内效应??从图４．１、４．３和４．５三张原始久期图可以看出，原始交易量久期存在着明显的聚??集效应，即大的久期后面跟着大的久期，小的久期后面跟着小的久期，并且久期的??波峰与波谷也交替出现。而从图４．２、４．４和４．Ｇ三张日内效应图可以看出，交易量久??期存在着明显的倒“Ｕ”型日内效应，即在一天中久期呈现出先増后减的趋势。日??内效应出现这种趋势是因为受隔夜消息的影响，上午开盘时掌握了大量交易信息??的投资者会及时调整投资而产生大量的交易，导致交易量久期较小；随着消息的传??播，其对交易的影响越来越小，在上午收盘时大部分投资者都会处于观望状态，交??易变弱，交易量久期就会随之变大。??由于日内效应会影响模型的效果，所以在建模前必须对原始的交易量久期进行??２６??

图４．５：宝信软件原始交易量久期?图４．Ｇ：宝信软件日内效应??从图４．１、４．３和４．５三张原始久期图可以看出，原始交易量久期存在着明显的聚??集效应，即大的久期后面跟着大的久期，小的久期后面跟着小的久期，并且久期的??波峰与波谷也交替出现。而从图４．２、４．４和４．Ｇ三张日内效应图可以看出，交易量久??期存在着明显的倒“Ｕ”型日内效应，即在一天中久期呈现出先増后减的趋势。日??内效应出现这种趋势是因为受隔夜消息的影响，上午开盘时掌握了大量交易信息??的投资者会及时调整投资而产生大量的交易，导致交易量久期较小；随着消息的传??播，其对交易的影响越来越小，在上午收盘时大部分投资者都会处于观望状态，交??易变弱，交易量久期就会随之变大。??由于日内效应会影响模型的效果，所以在建模前必须对原始的交易量久期进行??２６??

图４．５：宝信软件原始交易量久期?图４．Ｇ：宝信软件日内效应??从图４．１、４．３和４．５三张原始久期图可以看出，原始交易量久期存在着明显的聚??集效应，即大的久期后面跟着大的久期，小的久期后面跟着小的久期，并且久期的??波峰与波谷也交替出现。而从图４．２、４．４和４．Ｇ三张日内效应图可以看出，交易量久??期存在着明显的倒“Ｕ”型日内效应，即在一天中久期呈现出先増后减的趋势。日??内效应出现这种趋势是因为受隔夜消息的影响，上午开盘时掌握了大量交易信息??的投资者会及时调整投资而产生大量的交易，导致交易量久期较小；随着消息的传??播，其对交易的影响越来越小，在上午收盘时大部分投资者都会处于观望状态，交??易变弱，交易量久期就会随之变大。??由于日内效应会影响模型的效果，所以在建模前必须对原始的交易量久期进行??２６??
【相似文献】

相关期刊论文 前10条

1 于鑫;霍春光;;基于久期模型的债券免疫策略分析[J];商;2012年11期

2 金仁江;;久期模型在财务中的应用[J];中国乡镇企业会计;2011年05期

3 杨长汉;;久期理论的创新运用[J];经济视角(中旬);2011年10期

4 蔡明超;张富盛;杨玮沁;莫杰遥;;股票久期与资产组合的利率风险度量[J];上海管理科学;2011年02期

5 刘伟;陈敏;吴武清;;高频数据交易量久期与价格变化的动态行为研究[J];数理统计与管理;2010年03期

6 王志强;张姣;;久期配比策略的免疫性分析——来自中国国债市场的经验证据[J];财经问题研究;2009年11期

7 蒋瑶茜;;浅谈商业银行利率风险管理中的久期模型[J];时代经贸(下旬刊);2008年12期

8 钱列飞;黄玲芳;;指数有效久期模型的建立及分析[J];经济研究导刊;2007年01期

9 雨燕;;金融双语 关键利率久期[J];金融论坛;2007年02期

10 邓超,左卫丰;久期模型及其最新拓展[J];湖南商学院学报;2005年04期

相关博士学位论文 前9条

1 廖珊;固定收益证券风险对冲研究[D];天津大学;2012年

2 李彪;固定收益市场利率期限结构建模及其应用研究[D];天津大学;2007年

3 王锋;我国燃料油期货市场久期及其应用研究[D];中国矿业大学;2011年

4 韩小龙;期转现与中国商品期货市场功能关系研究[D];天津大学;2009年

5 康书隆;国债利率的风险特征、变化规律及风险管理研究[D];东北财经大学;2010年

6 杨建林;基于优化方法的商业银行利率风险管理研究[D];天津大学;2003年

7 李晶晶;基于Heath-Jarrow-Morton框架的利率风险管理方法研究[D];天津大学;2014年

8 刘艳萍;基于信用风险和利率风险的资产组合优化模型研究[D];大连理工大学;2009年

9 熊春连;中国股票市场时变信息风险的测量与定价研究[D];天津大学;2013年

相关硕士学位论文 前10条

1 丁治全;基于久期模型的商业银行利率风险管理研究[D];西北大学;2018年

2 陈超;基于三因子CIR模型的资产负债利率风险免疫模型[D];大连理工大学;2018年

3 吴梦雪;基于SLAD估计的ACD模型及其在沪深股市中的应用研究[D];浙江工商大学;2018年

4 孔元慧;隐含权益久期可以衡量股票风险吗？[D];东北财经大学;2018年

5 陈敏;久期模型在我国商业银行利率风险管理中的应用研究[D];安徽财经大学;2012年

6 崔頔;中国债券市场价格久期研究[D];清华大学;2010年

7 马庆魁;债券的久期模型及其应用[D];吉林大学;2005年

8 刘忠彬;久期模型对我国债券价格估算精度的比较研究[D];天津财经大学;2012年

9 左卫丰;久期模型比较分析及其应用研究[D];中南大学;2005年

10 赵枫;中国股票市场价格久期研究[D];安徽大学;2013年

本文编号：2891437