论文部分内容阅读
波动率是金融经济学的研究热点之一,被广泛应用于金融资产组合选择和风险管理等领域。在早期基于低频数据的波动率建模方面,主要采用传统的GARCH类和SV类模型,这些模型能很好地描述和刻画低频数据的波动状况。对于高频数据的建模研究,传统的GARCH类和SV类模型并不能取得很好的效果。因此,以已实现波动率(realized volatility,RV)为代表的一类已实现测度(realized measure,RM)由于无模型、计算简便等特点,被广泛应用到高频数据的波动估计中。在已实现波动率的基础上,又建立了HAR类模型用来刻画和预测未来的波动率。虽然这些模型在高频数据的基础上包含了更丰富的信息,但最终得到的还是日波动率。显然,这样的日波动率是无法刻画日内层面的波动模式。本文主要从市场微观结构噪声的角度,研究高频数据的日内波动率。首先介绍高频数据不同于低频数据的一些特性并进行了简要分析。然后描述传统的GARCH模型,利用GARCH模型对高频数据的日内波动率进行刻画时,GARCH模型没有考虑高频数据的市场微观结构噪声特性,而市场微观结构噪声是客观存在且不可忽略的特性之一。市场微观结构噪声通过影响对数价格进而对收益率序列有一定的干扰,在研究高频数据的日内波动率时,不能忽略市场微观结构噪声的影响。因此,本文在GARCH模型的基础上,将市场微观结构噪声作为一个重要变量引入GARCH模型的均值方程,建立了考虑市场微观结构噪声的GARCH模型。对于模型的参数估计,采用极大似然估计法对本文模型的参数进行求解。最后结合日内波动率的预测方法和模型评估标准,通过仿真实验和实证分析来验证本文提出的新模型的有效性与准确性。采用蒙特卡罗模拟方法对GARCH模型和引入市场微观结构噪声变量后的GARCH模型进行模拟仿真实验,以检验模型的有效性。仿真实验结果表明,相对于GARCH模型,本文提出的新模型对参数求解的精度更高,估计出的参数更接近设定的真实值。然后基于沪深300指数和纳斯达克综合指数的5分钟高频数据的实证研究与分析,并与传统的GARCH模型比较样本外预测和样本内拟合结果。实证结果表明考虑了市场微观结构噪声的GARCH模型能更好地刻画高频数据的日内波动状况。仿真实验与实证分析结果表明,本文提出的模型具有更好更精准的参数估计与预测能力。