论文部分内容阅读
近年来随着大数据和与云储存技术的发展,金融资产的5分钟、1分钟甚至更高频率的交易数据能够被记录、储存和分析。基于高频交易数据的波动率测度、拟合与预测已成为资产定价与风险管理领域的研究热点之一。其中,已实现波动率(RV)和已实现极差波动率(RRV)是最受学界关注的两类高频波动率。但是,目前关于RV和RRV的主流建模方法仅关注了波动率的自相关性和内生影响,忽略了外部信息冲击及冲击的非对称影响,因此对高频波动率的预测可能存在偏误。此外,HAR-RV类模型和HAR-RRV类模型相比较,孰劣孰优?也值得进一步探讨。基于此,本文首先对RV和RRV的主流建模方法进行了梳理。然后,以隔夜信息作为外部信息冲击源,利用GARCH族模型估计隔夜波动率,构建了基于 外部信息冲击的HAR-RV-CJ-GARCH/TGARCH 类模型和HAR-RRV-CJ-GARCH/TGARCH类模型。这两类模型不仅考虑了高频波动率自相关性和跳跃特征,还兼顾了外部信息冲击的集聚性和非对称性。随后,本文选取沪深300指数的高频交易数据作为研究样本,构建两尺度极差波动率(TSRV)作为真实波动率,并利用MCS检验对这两类模型和现有主流模型的预测能力进行了评价。同时,本文也对HAR-RV类模型和HAR-RRV类模型的拟合与预测能力进行了对比分析。主要的研究结论如下:(1)相较于目前的主流模型,引入隔夜信息冲击并考虑波动集聚性特征的HAR-RV-CJ-GARCH/TGARCH 模型和 HAR-RRV-CJ-GARCH/TGARCH 模型始终有更好的拟合能力和预测效果。(2)在所有考虑了隔夜信息冲击的高频波动率模型中,区分了正、负半变差不同影响的 HAR-S-RV-CJ-GARCH/TGARCH 模型和 HAR-S-RRV-CJ-GARCH/TGARCH 模型预测效果更优。进一步地,在非平稳期内,HAR-S-RV-CJ-TGARCH模型和HAR-S-RRV-CJ-TGARCH模型预测效果最好;但在平稳期内,HAR-S-RV-CJ-TGARCH模型与HAR-S-RRV-CJ-TGARCH模型仅在短期预测中最优,而HAR-S-RV-CJ-GARCH模型和HAR-S-RRV-CJ-GARCH模型则具有更好的长期预测能力。(3)HAR-RRV类模型和HAR-RV类模型的预测能力对比结果表明:非平稳期内,HAR-RRV类模型的预测效果优于HAR-RV类模型;而平稳期内,HAR-RRV类模型仅在短期预测中更优,而HAR-RV类模型则有更好的长期预测表现。