论文部分内容阅读
波动率是金融资产最重要的特征之一,对其准确度量有着极其重要的意义。由于国外资本市场比较发达,这方面的研究已比较成熟,但国内由于种种限制,这方面的研究相对比较落后,但随着我国资本市场对外开放进程的加快,对波动率的研究已经迫在眉睫,这对构建我国金融机构的风险管理系统和准确度量资产价格有着极其重要的意义。本文首先对“积分波动率”和“已实现波动率”进行了介绍并给出了国外文献中关于“已实现波动率”和“已实现极差波动率”的定义,并对其特性进行了介绍。然后应用积分波动率的方差最小来选定高频数据的最优抽样频率。本文的模型和实证部分介绍了两类模型:SV模型和GARCH模型,进而根据高频数据的特征构建长记忆随机波动率模型(LMSV模型)和(经过季节性调整的)GARCH模型。参考Deo等人2006年的文献,本文基于中国上证指数的高频数据,首先对收益率序列进行了季节性调整,此后应用扩展的频域伪极大似然估计对LMSV模型进行了参数估计,最后进行波动率预测。本文在GARCH模型的均值方程中对季节性进行了调整,然后应用极大似然估计法对模型参数进行估计,最后进行波动率预测。预测能力的评价指标采用预测的波动率对(无模型的)已实现极差波动率进行回归,因为已实现极差波动率是积分波动率的一致估计量,所以将其作为真实波动率的代理。比较回归系数和拟合优度即可对模型预测能力进行判断。本文实证结果表明,无论预测长度为多久,LMSV的预测精度都较高;两模型对中期的预测效果都比较好;从拟合优度角度看,短期LMSV的预测效果好于GARCH模型,中长期GARCH模型要好于LMSV模型。