论文部分内容阅读
现有的基于混合频率样本的GARCH模型,有一个相同点,即在构建波动率模型时,仅在波动率方程中引入高频变量,并没有考虑高频变量对均值方程的影响。本文在构建基于混合频率样本的GARCH模型时,不单在波动率方程中引入高频变量,同时也在均值方程中加入高频变量。本文将每日交易时间分割为两个时段,得到两个时段的收益率序列。利用两个时段的收益率序列构建两个混合频率的均值方程,并对每个方程的残差建立条件波动率方程;在两个波动率方程中均加入已实现波动率作为条件波动率的解释变量;再利用两个条件波动率之和构建已实现波动方程,完成M-Realized GARCH模型的构建。本文选用沪深300股票指数的日收盘价、每日第一小时收盘价和每5分钟收盘价数据,作为实证研究的样本。利用每5分钟的收盘价计算每5分钟的高频收益率,并由此计算已实现波动率。根据波动率模型在扰动项分别服从正态分布、t分布和广义误差分布(GED)假设下,利用滚动时间窗口,对波动率进行一步样本外预测;并由波动预测值计算对应的VaR。借助损失函数(MSE、MAE、MSPE、MAPE、R2LOG及六种稳健损失函数)和SPA检验,分析不同的波动率模型在不同的扰动项分布假设下,波动率预测精度的差异。利用kupiec检验和动态分位数检验,研究基于不同的波动率模型在不同的扰动项分布假设下的VaR预测效果。基于沪深300股票指数的实证研究结果显示,不同的波动率模型参数估计结果存在显著差异。同一个波动率模型不同的扰动项分布假设,参数估计结果也有一些差异。根据M-Realized GARCH模型的参数估计结果知,上一个交易日后一个时段的交易信息对今天的开盘交易存在正反馈效应,且收益率存在日内动量效应。相对损失函数显示,M-Realized GARCH模型具有更高的预测精度。SPA检验指出了扰动项服从t分布假设下的M-Realized GARCH模型,波动率预测精度最高。Kupiec检验和动态分位数检验表明了,基于M-Realized GARCH模型的VaR,实际失败率与理论失败率一致,且失败发生之间不具相关性。5000次的模拟检验指出,M-Realized GARCH模型对波动率的样本内预测精度,显著高于GARCH模型和Realized GARCH模型。M-Realized GARCH模型在假设扰动项服从正态分布下,比t分布和广义误差分布(GED)下,波动率预测精度更高。