高频数据Realized GAS-GARCH模型构建和相关性研究

发布时间：2020-09-14 12:58

　　 贵金属交易一般指投资者在对贵金属市场看好的情形下,低价买入高价卖出,从而赚取差价的过程。同时也可以是投资人在经济低迷的情况下所采取的一种避险手段,以实现资产的保值增值。因为世界上的矿产储量是一个定量,所以贵金属可以被当作一种保值工具,不仅可用于投资增加个人资产,也可以被当作代币发挥其货币属性。贵金属有良好的避险功能,可以用来在通货膨胀期间发挥保值功能;并且诸如黄金、白银等贵金属在世界各地都能流通,其价格很难在市场上进行操控,不易造成崩盘的现象;更不存在折旧的问题,工作日期间可以进行全天交易,让投资者有更多的投资机会。因此,掌握贵金属的市场波动和投资风险在对金融交易市场的研究中有着重要地位。随着技术的发展,高频数据的可得性越来越大,许多学者都基于高频数据的已实现测度进行波动率研究。结合研究现状,本文首先采用传统GARCH类模型进行实证分析,证明GARCH模型对于金融时间序列的适用性;再对结合了已实现测度RV的RealizedGARCH模型进行推广,针对二次型冲击响应函数反应过度的事实,引入了 GAS型冲击响应函数;同时考虑了放松幂指数型冲击响应函数,证实二次型冲击响应函数的设定反应过度;另外又将其推广到厚尾分布的情形,分别令误差服从标准t分布和ged分布,以适应金融时间序列尖峰厚尾的特性。在比较尾部风险度量的效果时,采用VaR效果比对各个模型的稳健性。本文还建立了 RealizedGAS-GARCH Copula模型,采用Realized GAS-GARCH模型作为边缘分布函数,利用tCopula函数刻画金融多元时间序列间的相关结构。基于Au888和Ag888期货高频数据的实证结果表明,RealizedGARCH模型的风险度量效果要优于传统GARCH类模型;纳入不同冲击响应函数的RealizedGARCH模型效果又有显著差别,并且针对不同尾部风险水平,其差异度也不尽相同;本文构建的Realized GAS-GARCH Copula模型对相关性测度具有稳健性。总体而言,黄金、白银的价格波动之间存在很大的相关性。
【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】：C81
【部分图文】：

逡逑结果如下表所示逡逑表２－１时间序列对数收益率基本统计量逡逑统计量逦均值逦方差逦偏度逦峰度逦Ｊ－Ｂ统计量逦ｐ值逡逑Ａｇ８８８逦０．０１４逦１．６１２逦－０．２４７逦６．１０５逦８５４．９２逦＜２．２ｅ－１６逡逑Ａｕ８８８逦０．０１９逦０．７２２逦０．４８７逦１１．７５６逦３９５．０７逦＜２．２ｅ－１６逡逑注：本文的对数收益率均放大了邋１００倍。逡逑由表２－１可以看出，两个序列的峰度都大于３，证实了时间序列的尾部分布有尖峰逡逑性；同时，Ａｇ８８８的偏度小于０，邋Ａｕ８８８的偏度大于０，分R%呈现出左偏分布和右偏分布逡逑的特性。由这两点可知，这两个序列都是尖峰厚尾且非对称的分布。针对Ｊ－Ｂ统计量的逡逑数值分析，基本确定两个日对数收益率序列都不服从正态分布，这说明我们在选择误差逡逑分布的时候要考虑厚尾分布。逡逑下图所示为两个日对数收益率序列的时序图逡逑Ａｇ８８８逦Ａｕ８８８逡逑

－３－２－１０１２３逦－３－２－１０１２３逡逑图２－３日对数收益率ＱＱ图逡逑图２－２为Ａｇ８８８和Ａｕ８８８的日对数收益率序列与其同均值标准差的正态分布的密度逡逑曲线对比图，实线为收益率序列密度曲线，虚线为正态分布密度图。对比之下可以看到，逡逑日对数收益率序列曲线具有明显的尖峰厚尾现象。图２－３的日对数收益率ＱＱ图也同样逡逑表明，这两个收益率序列拒绝了正态分布的假设，可以认为收益率序列具有厚尾性。逡逑２．邋３．邋３参数估计和ＶａＲ测度逡逑根据以往学者研究内容所示，一阶的ＧＡＲＣＨ模型己经可以较好地刻画自回归条件逡逑异方差。因此本节的模型都只基于最简单的ＧＡＲＣＨ（ｌ．ｌ）类模型刻画Ａｇ８８８和Ａｕ８８８的逡逑日对数收益率。前文己经证实两个日对数收益率存在尖峰厚尾性，因此误差序列服从正逡逑态分布在此处不适用，本文假设误差序列分别服从ｔ分布和ｇｅｄ分布。逡逑１４逡逑

－８邋－６邋－４邋－２逦０逦２逦４逦６逦－４逦－２逦０逦２逦４逡逑图２－２日对数收益率密度对比图逡逑Ａｇ８８８逦Ａｕ８８８逡逑＾邋－Ｉ逦，。｜邋荃邋＾邋Ｈ逡逑卜－逦１邋—邋ｙ逡逑Ｅ邋－逦％逦Ｅ邋＾逡逑５邋＾邋－邋／逦＜５５邋＾邋0逡逑0邋°逦Ｔ邋—邋ｏ逡逑＾邋ｉ邋ｉ邋ｉ邋ｒ邋ｉ邋＼逦ｉ邋ｉ邋ｉ邋ｉ邋ｉ邋ｉ邋ｉ逡逑－３－２－１０１２３逦－３－２－１０１２３逡逑图２－３日对数收益率ＱＱ图逡逑图２－２为Ａｇ８８８和Ａｕ８８８的日对数收益率序列与其同均值标准差的正态分布的密度逡逑曲线对比图，实线为收益率序列密度曲线，虚线为正态分布密度图。对比之下可以看到，逡逑日对数收益率序列曲线具有明显的尖峰厚尾现象。图２－３的日对数收益率ＱＱ图也同样逡逑表明，这两个收益率序列拒绝了正态分布的假设，可以认为收益率序列具有厚尾性。逡逑２．邋３．邋３参数估计和ＶａＲ测度逡逑根据以往学者研究内容所示，一阶的ＧＡＲＣＨ模型己经可以较好地刻画自回归条件逡逑异方差。因此本节的模型都只基于最简单的ＧＡＲＣＨ（ｌ．ｌ）类模型刻画Ａｇ８８８和Ａｕ８８８的逡逑日对数收益率。前文己经证实两个日对数收益率存在尖峰厚尾性，因此误差序列服从正逡逑态分布在此处不适用，本文假设误差序列分别服从ｔ分布和ｇｅｄ分布。逡逑１４逡逑

【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 金登贵;我国股市高频数据分布特征实证研究[J];江西广播电视大学学报;2005年03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 苗晓宇;;(超)高频数据视角下金融风险度量研究进展[J];经济论坛;2010年08期

5 耿克红;张世英;;超高频数据下金融市场持续期序列模型述评[J];中国管理科学;2008年04期

6 朱宇涛;杨杰;;中国证券市场高频数据统计特征分析[J];吉林工商学院学报;2016年03期

7 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

8 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

9 武光磊;;大数据时代:向高频出发[J];科学中国人;2018年18期

10 刘建华;;基于高频数据的中国股市量价日内特征分析[J];经济师;2007年10期

相关会议论文 前10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 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

3 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

4 ;学术名家思想精粹[A];2014年国际货币金融每日综述[C];2014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 张维;刘博;张小涛;;日内金融高频数据的异常点检测[A];全国自动化新技术学术交流会会议论文集（一）[C];2005年

7 仪垂林;王家琪;;基于高频数据的套利研究——对中国股市弱式有效的一个检验[A];21世纪数量经济学（第6卷）[C];2005年

8 王蘅;;高频数据传输电缆的设计与制造[A];中国通信学会2004年光缆电缆学术年会论文集[C];2004年

9 ;学术名家思想精粹[A];2014年国际货币金融每日综述[C];2014年

10 侯建荣;;基于小波分析极大模方法的极端金融事件风险建模问题研究[A];第十四届中国管理科学学术年会论文集(上册)[C];2012年

相关重要报纸文章 前10条

1 本报记者 张智;高频数据向暖 中国经济正实现“软着陆”[N];华夏时报;2017年

2 记者 林远;今年前两月投资增速或为8%[N];经济参考报;2017年

3 上海证券 刘亦千 王博生 闻嘉琦;顺势而为 风格均衡[N];中国证券报;2017年

4 第一财经研究院研究员 许元荣;高频数据看宏观：整体挑战依然 局部有所改善[N];第一财经日报;2015年

5 记者 方烨;高频数据显示8月工业生产恢复[N];经济参考报;2015年

6 记者 林远;机构称下半年经济增速无持续回落风险[N];经济参考报;2018年

7 本报记者 辛继召;银联腾讯阿里鏖战交通支付 挖掘场景背后高频数据[N];21世纪经济报道;2018年

8 中信建投期货 王雪乔;利率下行明显 期债偏强运行[N];期货日报;2018年

9 本报记者 周文静;大成基金：市场仍将维持宽幅震荡格局[N];中国证券报;2016年

10 金瑞期货 李丽;铜价 静待趋势明朗[N];期货日报;2019年

相关博士学位论文 前10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 佘宏俊;基于超高频数据的计量建模方法及市场交易行为量化研究[D];东北财经大学;2015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 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

5 王萌;两类金融时间序列模型的估计理论及应用[D];中国科学技术大学;2016年

6 来升强;高频数据交易策略与波动性分析[D];厦门大学;2009年

7 郭华;中国证券市场日内交易信息对流动性和波动性的影响研究[D];天津大学;2013年

8 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

9 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

10 李翠霞;基于高频数据下一些特征的统计推断[D];兰州大学;2013年

相关硕士学位论文 前10条

1 周晓丹;高频数据下商品期货统计套利策略研究[D];辽宁大学;2018年

2 袁洪;基于高频数据的投资组合VaR测度研究[D];成都理工大学;2018年

3 季虎;高频交易中跳跃性波动率模型的实证研究[D];浙江大学;2018年

4 张玉希;高频数据下的沪深300股指期货量化交易策略设计[D];上海师范大学;2018年

5 张依颖;高频数据Realized GAS-GARCH模型构建和相关性研究[D];浙江工商大学;2018年

6 韩孟君;连续β或不连续β能够预测股票收益吗？[D];东北财经大学;2018年

7 徐博文;基于中国金融市场高频数据波动率的分析与实证研究[D];电子科技大学;2018年

8 李博亚;基于金融高频数据下跳的检测[D];西北师范大学;2017年

9 胡飞虎;基于高频数据的股指期货信息溢出效应研究[D];上海师范大学;2018年

10 周河源;高频数据的统计套利策略应用[D];首都经济贸易大学;2018年

本文编号：2818200