利用高频数据预测沪深300指数波动率——基于Realized GARCH模型的实证研究

发布时间：2020-10-26 18:56

　　 Hansen et al.(2012)提出了一种高频数据已实现测度与传统GARCH模型相结合的Realized GARCH模型。相对于传统的GARCH模型和EGARCH模型,本文着重考察Realized GARCH模型对于沪深300指数收益率分布以及波动率的预测能力,结果显示Realized GARCH模型在这两方面均超越了传统模型。另外,本文比较了Realized GARCH模型分布设定以及不同已实现测度对预测能力的影响,指出使用厚尾分布的Realized GARCH模型的预测能力最佳。使用不同抽样频率的已实现方差对模型预测有显著影响,其中使用剔除市场噪音的Realized Kernel可以获得最好的预测效果。
【部分图文】：

222014年第5期著的约束。图2信息冲击曲线τ(z)图2以ＲG(T，d)模型结果为例画出模型隐含的“信息冲击曲线”。可以看出，波动率对于收益率不同方向的变动有着明显的杠杆效应，负向收益率冲击推动的波动率上升比正向收益率冲击推动的波动率上升更大。四、收益率分布拟合与预测能力评价GAＲCH类模型在对波动率建模的同时实际上也给收益率的分布建模，本小节讨论不同的模型对于收益率分布的拟合与预测能力。对收益率分布建模能力对模型在风险控制方面的应用，如计算VaＲ、ES等至关重要。本节使用的工具是Hansenetal．(2012)提出的半似然函数。在概率论中，极大似然估计的本质就是最小化由参数确定的分布和真实分布的KL距离(Kullback-Leiblerdivergence)。即给定一组参数，似然函数的值越大，说明由这组参数给出的分布和真实分布的距离越校因此，我们可以把似然函数的值看作是分布拟合(样本内数据)或者分布预测(样本外数据)的评价指标。如前所述，ＲG模型的似然函数由两部分组成:l(r，x)=l(r|x)+l(x|r)(10)其中，l(r|x)和l(x|r)分别为似然函数中对应zt和ut的部分。基于同样的数据是使用似然函数值l(r，x)比较不同模型之间分布拟合与预测能力的前提。但在ＲG模型中，除个别情况外，l(x|r)在不同模型间，或者不同时存在，或者使用不同的数据。因此对于ＲG模型，我们只是用其似然函数中关于收益率的l(r|x)，即半似然函数①。我们使用样本中前600个样本点估计模型，用后600个样本作为样本外的样本点，分别计算样本内半似然函数和样本外半似然函数。前者描述的是不同模型样本内分布拟合能力，后者描述的是不同模型样本外分布预测能力。两者都是数值越大越好。由于“半似然函数”并不是最优化的目标函数，因此传统似然函数的统计推断并不适用，目
【参考文献】

相关期刊论文 前9条

1 于亦文;;实际波动率与GARCH模型的特征比较分析[J];管理工程学报;2006年02期

2 王春峰;姚宁;房振明;;基于小波变换的多尺度跳跃识别与波动性估计研究[J];管理科学学报;2010年10期

3 欧丽莎;袁琛;李汉东;;中国股票价格跳跃实证研究[J];管理科学学报;2011年09期

4 陈浪南;洪如明;;基于已知信息的波动率修正杠杆效应研究[J];经济研究;2007年11期

5 江涛;;基于GARCH与半参数法VaR模型的证券市场风险的度量和分析:来自中国上海股票市场的经验证据[J];金融研究;2010年06期

6 郑振龙;汤文玉;;波动率风险及风险价格——来自中国A股市场的证据[J];金融研究;2011年04期

7 王天一;黄卓;;基于高频数据的波动率建模及应用研究评述[J];经济学动态;2012年03期

8 韩清;刘永刚;;已实现波动率估计中不同降噪方法的比较分析及实证[J];数量经济技术经济研究;2009年08期

9 王天一;黄卓;;高频数据波动率建模——基于厚尾分布的Realized GARCH模型[J];数量经济技术经济研究;2012年05期

【共引文献】

相关期刊论文 前10条

1 刘宁;夏恩君;张庆雷;;基于非对称GARCH与极值理论的商业银行信用风险度量模型[J];北京理工大学学报;2012年05期

2 花俊洲;;中小板证券市场VaR估计精度实证研究[J];当代经济;2012年01期

3 王泰强;侯光明;赵宏;;基于VaR的中国有色金属期货市场风险测度研究——以上海期货交易所铝期货和铜期货为例[J];东北财经大学学报;2011年06期

4 孔鑫;刁治;;基于GARCH模型的权证定价理论研究及实证检验[J];东方企业文化;2011年18期

5 魏宇;;中国股票市场的最优波动率预测模型研究——基于沪深300指数高频数据的实证分析[J];管理学报;2010年06期

6 陈国进;黄伟斌;;国际股票市场价值溢价——基于世界长期风险模型的解释[J];当代财经;2014年01期

7 张虎;周迪;;基于波动和收益分解的股市风险收益关系检验——以2003—2012年上证指数高频数据为例[J];西部论坛;2014年05期

8 杜莹芬;张文珂;;虚假陈述赔偿中系统性风险损失的确认与度量——基于廊坊发展股份有限公司的案例研究[J];中国工业经济;2013年09期

9 魏宇;;沪深300股指期货的波动率预测模型研究[J];管理科学学报;2010年02期

10 卫敏;余乐安;;具有最优学习率的RBF神经网络及其应用[J];管理科学学报;2012年04期

相关博士学位论文 前10条

1 赵红强;基于小波分析的我国经济运行特征研究[D];吉林大学;2011年

2 彭选华;金融风险价值量化分析的模型与实证[D];重庆大学;2011年

3 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

4 李成刚;基于定单流的证券投资策略研究[D];电子科技大学;2012年

5 张益明;产品市场势力与持股者交易行为[D];复旦大学;2012年

6 解其昌;分位数回归方法及其在金融市场风险价值预测中的应用[D];西南财经大学;2012年

7 乔高秀;沪深300股指期货价格发现、定价偏差及波动率研究[D];西南财经大学;2012年

8 刘丽萍;基于市场微观结构噪声和跳跃的金融高频协方差阵的估计及其应用研究[D];西南财经大学;2013年

9 郭尧琦;分形市场下有色金属价格波动问题研究[D];中南大学;2012年

10 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10条

1 冯伟佳;基于已预期信息修正的中国股市波动非对称性研究[D];西北大学;2011年

2 张鹏;我国沪深300指数期货合约价格波动溢出效应的实证分析[D];华北电力大学（北京）;2011年

3 王红丽;基于状态转移的股指期货波动时变组合预测研究[D];重庆师范大学;2011年

4 吴宏仁;金融风险度量模型综述[D];山东大学;2011年

5 于珊珊;基于区间分析的金融市场风险管理VaR计算方法研究[D];天津大学;2012年

6 罗晓熙;半参数法和参数VaR模型[D];西南财经大学;2011年

7 叶盛;基于市盈率、市净率的上证指数风险度量与预警研究[D];浙江财经学院;2012年

8 邹文鹤;股指期货的推出对我国现货市场波动性的影响[D];东北财经大学;2011年

9 马明;基于GARCH模型的股市波动特征及相关性分析[D];南京理工大学;2007年

10 赵军;权证引入能否降低标的股票的波动性[D];复旦大学;2008年

【二级参考文献】

相关期刊论文 前10条

1 李阳泱;李汉东;;基于非参数波动测度的上海股票市场异质性研究[J];北京师范大学学报(自然科学版);2009年03期

2 彭文德;金融资产市场风险的VaR计量法及其应用[J];当代财经;1999年11期

3 江晓东,杨灿;股票收益率波动的实证研究[J];东南学术;2002年02期

4 马超群,李红权;VaR方法及其在金融风险管理中的应用[J];系统工程;2000年02期

5 周少甫,陈千里;中国股市收益波动的实证研究[J];华中科技大学学报(自然科学版);2002年09期

6 陈泽忠,杨启智,胡金泉;中国股票市场的波动性研究——EGARCH-M模型的应用[J];决策借鉴;2000年05期

7 樊智,张世英;非线性协整建模研究及沪深股市实证分析[J];管理科学学报;2005年01期

8 陈晖;谢赤;;包含Jump-Arch过程的利率模型及其应用[J];管理科学学报;2008年02期

9 魏宇;;沪深300股指期货的波动率预测模型研究[J];管理科学学报;2010年02期

10 郑振龙;;金融资产价格的信息含量:金融研究的新视角[J];经济学家;2009年11期

【相似文献】

相关期刊论文 前10条

1 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

2 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

3 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

4 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

5 陈高才;;高频数据在会计实证研究中的应用和展望[J];财会研究;2011年05期

6 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

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

相关博士学位论文 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

相关硕士学位论文 前10条

1 韩铁;金融市场（超）高频数据建模及与低频数据对比研究[D];天津大学;2006年

2 李晓威;金融高频数据的关联规则算法研究[D];吉林大学;2008年

3 张曙;金融高频数据的分析及实证研究[D];中南大学;2013年

4 肖星火;基于中国股市高频数据的流动性风险研究[D];华南理工大学;2013年

5 刘力华;基于高频数据的证券市场实证研究[D];暨南大学;2011年

6 张国勇;金融市场（超）高频数据建模及其实证分析[D];天津大学;2004年

7 李颖超;太钢不锈股市高频数据实证研究[D];山西财经大学;2012年

8 侯守国;基于小波分析的股市高频数据研究[D];天津大学;2006年

9 张越;基于高频数据的量价动态关系研究[D];天津大学;2012年

10 王姗姗;中国证券市场高频数据极值的波动性研究[D];吉林大学;2012年

本文编号：2857390