基于高频数据的股票流动性影响因素研究

发布时间：2017-09-03 08:04

  本文关键词：基于高频数据的股票流动性影响因素研究

  更多相关文章： 高频数据 流动性影响因素 交易量持续期 WACD模型

【摘要】：流动性一直是金融市场微观结构研究的热点,流动性的度量对投资者意义重大。而金融高频数据记录了整个交易的动态变化过程,包含更详尽的交易信息,因此在刻画市场微观结构上更具优势。特别是近年来高频交易的兴起,高频交易商更关注日内流动性的变化,从高频数据视角研究股市流动性就显得十分重要。本文选取了不同证券交易市场和市值规模的股票高频数据作样本,设定交易量持续期为日内流动性度量指标,并通过提出假设和检验假设分析了日内的何种因素会对该流动性度量指标产生影响。本文首先采用自回归条件持续期模型(ACD模型)的拓展模型(WACD模型)对交易量持续期进行拟合,通过残差检验选取最佳滞后期的WACD模型。其次,本文通过对交易量持续期的描述统计,研究了股票日内流动性的非股票特征影响因素(如交易市场、市值规模)。同时本文还提出了与股票交易特征(如价差、交易频率)相关的流动性影响因素假设,通过在WACD模型中引入假设变量进行假设检验,判断这些与流动性相关的变量是否可以解释股票的日内流动性,其影响又有何不同。研究发现：第一,滞后多期的WACD模型中,WACD (2,2)对交易量持续期拟合效果最好。第二,通过对不同证券交易市场及不同市值规模的股票构建交易量持续期,经统计数据表明：上海交易市场的股票流动性优于深圳交易市场；大规模股票的日内流动性略高于小规模股票,但明显程度不高。第三,日内交易价差越小,交易量持续期越短,表明股票的日内流动性越好。第四,日内收益率越高,交易量持续期越短,表明股票的日内流动性越好。第五,交易量给定,交易频率越低,交易量持续期越长,股票的日内流动性越差。本文发掘了日内流动性的相关变量关系,日后基于高频数据的流动性度量指标中可引入此类因素,使日内流动性度量指标更加全面完善。同时,本文为市场中股票日内流动性的度量和预测提供了一种可行的思路,具有一定现实意义。
【关键词】：高频数据 流动性影响因素 交易量持续期 WACD模型
【学位授予单位】：南京理工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：F832.51
【目录】：

• 摘要5-6
• Abstract6-9
• 1 绪论9-17
• 1.1 研究背景及意义9-11
• 1.1.1 研究背景9-10
• 1.1.2 研究意义10-11
• 1.2 发展现状11-12
• 1.3 创新点与不足12-14
• 1.3.1 本文创新点12-13
• 1.3.2 本文不足之处13-14
• 1.4 研究思路和技术路线14-17
• 1.4.1 研究思路14-16
• 1.4.2 技术路线16-17
• 2 国内外文献综述17-24
• 2.1 高频数据流动性国内外研究综述17-19
• 2.1.1 国外研究综述17-18
• 2.1.2 国内研究综述18-19
• 2.2 流动性影响因素国内外研究综述19-24
• 2.2.1 国外研究综述19-20
• 2.2.2 国内研究综述20-24
• 3 金融高频数据概述24-27
• 3.1 金融高频数据的特征24-25
• 3.2 金融高频数据的研究难题25-27
• 4 流动性的概念及度量27-35
• 4.1 流动性的概念及传统度量指标27-30
• 4.1.1 流动性的概念27-28
• 4.1.2 流动性传统度量指标28-30
• 4.2 基于高频数据的流动性度量指标30-31
• 4.3 基于高频数据的流动性度量模型31-35
• 4.3.1 ACD模型的基本理论31-32
• 4.3.2 ACD模型的拓展形式32-34
• 4.3.3 本文选取的WACD模型34-35
• 5 流动性影响因素分析及假设35-40
• 5.1 流动性影响因素分析35-36
• 5.2 本文相关影响因素假定36-38
• 5.3 假设变量的定义与模型的设定38-40
• 5.3.1 变量定义38-39
• 5.3.2 模型设定39-40
• 6 实证研究40-55
• 6.1 研究样本选取与数据预处理40-42
• 6.1.1 样本选取依据40-41
• 6.1.2 样本抽样方法与结果41-42
• 6.1.3 样本数据的预处理42
• 6.2 日内流动性度量指标的构建42-46
• 6.2.1 交易量持续期的构建42-43
• 6.2.2 交易量持续期的统计描述43-44
• 6.2.3 交易量持续期的自相关性44-46
• 6.3 日内流动性度量模型的选择46-52
• 6.3.1 模型估计与拟合46-47
• 6.3.2 模型检验与模型选择47-52
• 6.4 日内流动性影响因素实证分析与检验52-55
• 6.4.1 参数模型的估计结果52-53
• 6.4.2 假设检验结果53-55
• 7 结论与展望55-57
• 7.1 结论55-56
• 7.2 展望56-57
• 致谢57-58
• 参考文献58-63
• 附录63-70

【相似文献】

中国期刊全文数据库 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 郭兴义,杜本峰,何龙灿;(超)高频数据分析与建模[J];统计研究;2002年11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 应益荣;包郭平;;金融市场高频数据分析的建模进展[J];五邑大学学报(自然科学版);2006年01期

5 包郭平;应益荣;;金融市场中高频数据的分析方法[J];五邑大学学报(自然科学版);2007年01期

6 唐振鹏;;金融高频数据和超高频数据的研究现状及展望[J];福州大学学报(哲学社会科学版);2008年04期

7 金登贵;中国证券市场高频数据分布特征研究[J];统计与决策;2005年20期

8 唐勇;张伯新;;基于高频数据的中国股市跳跃特征实证分析[J];中国管理科学;2013年05期

9 尹优平,马丹;基于分布拟合方法的高频数据风险价值研究[J];金融研究;2005年03期

10 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

中国重要会议论文全文数据库 前6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 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

3 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

4 杨怀东;伍娟;盛虎;;基于高频数据的成对交易统计套利策略实证研究[A];第五届（2010）中国管理学年会——金融分会场论文集[C];2010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 刘淳;朱世武;何济舟;;金融市场波动择时策略的经济价值分析[A];经济全球化与系统工程——中国系统工程学会第16届学术年会论文集[C];2010年

中国重要报纸全文数据库 前5条

1 本报记者 任晓;12月PMI或小幅上行[N];中国证券报;2013年

2 程实;美国金融体系逐渐恢复 实体经济企稳[N];中国经济时报;2009年

3 华泰长城期货 谢赵维　许惠敏;高库存料继续“重压”矿价[N];中国证券报;2014年

4 金融学博士 宏观经济分析师 程实;全球经济隐约徘徊着复合危机阴影[N];上海证券报;2011年

5 申银万国证券研究所 李慧勇;新兴市场保持资金大额流入[N];证券时报;2014年

中国博士学位论文全文数据库 前6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 镇磊;基于高频数据处理方法对A股算法交易优化决策的量化分析研究[D];中国科学技术大学;2010年

3 刘广应;带跳的分数维积分过程的幂变差理论及其在金融高频数据中的应用[D];复旦大学;2011年

4 李胜歌;基于高频数据的金融波动率研究[D];天津大学;2008年

5 王少斌;基于高频数据的投资者交易行为研究[D];首都经济贸易大学;2014年

6 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

中国硕士学位论文全文数据库 前10条

1 周智橹;沪深300股指期货已实现波动率的研究[D];中国青年政治学院;2015年

2 米佳奇;基于高频数据的期货跨品种套利研究[D];浙江工商大学;2015年

3 李梦莹;基于高频数据的A股银行板块配对交易研究[D];复旦大学;2014年

4 谢欣欣;基于对限价指令簿信息的研究对高频金融数据进行建模[D];上海交通大学;2015年

5 王浩;基于趋势反转的程序化交易研究[D];上海交通大学;2014年

6 欧阳君宏;金融资产跳跃特性研究[D];福州大学;2014年

7 林欣;基于高频数据的金融资产共同跳跃建模研究[D];福州大学;2014年

8 周明眉;基于Hilbert-Huang变换的高频数据波动率的估计[D];长春工业大学;2016年

9 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

10 胡龙;基于RV-MSM模型的沪深300波动分析[D];华中科技大学;2013年

，

本文编号：783792